Update: RecSys, collection, et al.

Author: bot-qssg

docs/AI/GRL/GE.md

@@ -10,7 +10,7 @@ comments: true
 	- [第三方备份](https://www.bookstack.cn/read/huaxiaozhuan-ai/2541a32ee733af23.md)
 - [Github - GraphEmbedding](https://github.com/shenweichen/GraphEmbedding)
 
-在 [Word2vec](../RecSys/Classic/1-Recall-CF.md#Word2vec) 和 [Item2vec](../RecSys/Classic/1-Recall-CF.md#Item2vec) 中我们的嵌入都是从**序列信息**中去学习的，这种思路面对错综复杂的图结构时似乎有些力不从心了。
+在 [Word2vec](../RecSys/1-Recall-CF.md#Word2vec) 和 [Item2vec](../RecSys/1-Recall-CF.md#Item2vec) 中我们的嵌入都是从**序列信息**中去学习的，这种思路面对错综复杂的图结构时似乎有些力不从心了。
 
 考虑目标：基于一个图 $G = (V, E), E\subseteq(V\times V)$ 学习一个映射 $\Phi: V \rightarrow \mathbb{R}^{d}$ 以将图上的节点嵌入。
 
@@ -55,7 +55,7 @@ DeepWalk 由两部分组成：
 
 ### Skip-Gram
 
-在 [Skip-gram(SG)](../RecSys/Classic/1-Recall-vector.md#Skip-gram(SG)) 处介绍了 SG 算法在 word2vec 的应用，不难发现我们期望学习的映射 $V \rightarrow \mathbb{R}^{d}$ 在模型中应该作为一个矩阵：$\Phi \in \mathbb{R}^{|V| \times d}$ ，$\Phi$ 的每一个行向量即为对应节点的嵌入表达，在开始被随机初始化。同样的，我们将遇到因为节点数量过多导致的不可接受的 Softmax 计算量问题；论文中考虑层序 Softmax (Hierarchical Softmax, see section [Skip-gram(SG)](../RecSys/Classic/1-Recall-vector.md#Skip-gram(SG))) 。
+在 [Skip-gram(SG)](../RecSys/1-Recall-vector.md#Skip-gram(SG)) 处介绍了 SG 算法在 word2vec 的应用，不难发现我们期望学习的映射 $V \rightarrow \mathbb{R}^{d}$ 在模型中应该作为一个矩阵：$\Phi \in \mathbb{R}^{|V| \times d}$ ，$\Phi$ 的每一个行向量即为对应节点的嵌入表达，在开始被随机初始化。同样的，我们将遇到因为节点数量过多导致的不可接受的 Softmax 计算量问题；论文中考虑层序 Softmax (Hierarchical Softmax, see section [Skip-gram(SG)](../RecSys/1-Recall-vector.md#Skip-gram(SG))) 。
 
 ### DeepWalk
 
@@ -184,6 +184,6 @@ LINE 分别训练了一阶邻近度模型和二阶邻近度模型，分别得到
 - 当某些顶点邻居非常少时，可能需要结合邻居的邻居的信息
 - 当加入新节点时，只需要优化 $-\sum_{j\in N(i)}w_{ji}\log p_1(v_j,v_i), -\sum_{j\in N(i)}w_{ji}\log p_1(v_j|v_i)$ 即可
 
-如果新节点与已有节点的关系也非常少甚至没有，可能需要参考 [EGES](../RecSys/Classic/1-Recall-CF.md#Enhanced%20Graph%20Embedding%20with%20Side%20information%20(EGES))，使用辅助信息来表征。
+如果新节点与已有节点的关系也非常少甚至没有，可能需要参考 [EGES](../RecSys/1-Recall-CF.md#Enhanced%20Graph%20Embedding%20with%20Side%20information%20(EGES))，使用辅助信息来表征。
 
 

docs/AI/KG/KGE.md

@@ -172,7 +172,7 @@ $$
 f_r(h,t)=\mathbf{r}^\top\tanh(\mathbf{h}^\top\underline{\mathbf{M}}_r\mathbf{t}+\mathbf{M}_r^1\mathbf{h}+\mathbf{M}_r^2\mathbf{t}+\mathbf{b}_r)
 $$
 
-看起来有点像推荐系统中的[二阶交叉特征](../RecSys/Classic/1-Recall-vector.md#二阶交叉特征)，是本篇涉及的模型中表达能力最强的模型，但是碍于参数过多难以处理大型图谱。
+看起来有点像推荐系统中的[二阶交叉特征](../RecSys/1-Recall-vector.md#二阶交叉特征)，是本篇涉及的模型中表达能力最强的模型，但是碍于参数过多难以处理大型图谱。
 
 #### MLP
 

docs/AI/RecSys/Classic/0-Introduction.md docs/AI/RecSys/0-Introduction.mddocs/AI/RecSys/Classic/0-Introduction.md renamed to docs/AI/RecSys/0-Introduction.md

@@ -93,7 +93,7 @@ $$
 
 一个朴素的做法是，在向量空间中依据希望使用的相似度进行分区（例如使用余弦相似度则以原点划分扇形/圆锥形……），并以分区中具有代表性向量（如平均向量）作为索引 w，仅比较 u 与 w 的相似度，找到最近的 $w_{0}$ ，从其所位于的分区中召回所有向量再逐一比较。
 
-> [!tip] 工具套件可在 [RecSys](../README.md#工具) 查看。
+> [!tip] 工具套件可在 [RecSys](README.md#工具) 查看。
 
 ## User/Item CF
 

docs/AI/RecSys/Classic/1-Recall-CF.md docs/AI/RecSys/1-Recall-CF.mddocs/AI/RecSys/Classic/1-Recall-CF.md renamed to docs/AI/RecSys/1-Recall-CF.md

@@ -4,7 +4,7 @@ tags:
 comments: true
 ---
 
-一般而言，我们说的基于图的召回是依据[图嵌入](../../GRL/GE.md)学习物品/用户的嵌入表示，之后使用 ANN 等技术进行召回。
+一般而言，我们说的基于图的召回是依据[图嵌入](../GRL/GE.md)学习物品/用户的嵌入表示，之后使用 ANN 等技术进行召回。
 
 ## Enhanced Graph Embedding with Side information (EGES)
 
@@ -16,7 +16,7 @@ comments: true
 2. 由于物品集数量庞大，用户-物品交互矩阵稀疏
 3. 冷启动问题
 
-引入 [Graph Embedding](../../GRL/GE.md) 以尝试解决这些问题；论文中使用的是 [DeepWalk](../../GRL/GE.md#DeepWalk) 并进行了一些改进，共提出了三种嵌入方法：BGE, GES, EGES 。
+引入 [Graph Embedding](../GRL/GE.md) 以尝试解决这些问题；论文中使用的是 [DeepWalk](../GRL/GE.md#DeepWalk) 并进行了一些改进，共提出了三种嵌入方法：BGE, GES, EGES 。
 
 ### 构建物品图
 
@@ -108,7 +108,7 @@ $$
 
 ## PinSAGE
 
-PinSAGE 模型是 Pinterest 在 [GraphSAGE](../../GRL/GNN.md#GraphSAGE) 的基础上实现的可以应用于实际工业场景的召回算法。
+PinSAGE 模型是 Pinterest 在 [GraphSAGE](../GRL/GNN.md#GraphSAGE) 的基础上实现的可以应用于实际工业场景的召回算法。
 
 Pinterest 公司的主要业务是采用瀑布流的形式向用户展现图片，无需用户翻页，新的图片会自动加载。因此在 Pinterest 网站上，有大量的图片(被称为 pins)，而用户可以将喜欢的图片分类，即将 pins 钉在画板 boards 上。可以发现基于这样的场景，pin 相当于普通推荐场景中 item，用户**钉**的行为可以认为是用于的交互行为。
 
@@ -142,7 +142,7 @@ PinSAGE 使用 Convolve 算法（单层图卷积）进行聚合：
 
 ### 基于 mini-batch 多层图卷积
 
-与 [GraphSAGE](../../GRL/GNN.md#GraphSAGE) 一样基于 mini-batch 堆叠多层图卷积层来逐层聚合信息。训练时使用 Margin Hinge Loss 损失函数：
+与 [GraphSAGE](../GRL/GNN.md#GraphSAGE) 一样基于 mini-batch 堆叠多层图卷积层来逐层聚合信息。训练时使用 Margin Hinge Loss 损失函数：
 
 $$
 J_{\mathcal{G}}(\mathbf{z}_{q}\mathbf{z}_{i})=\mathbb{E}_{n_{k}\sim P_{n}(q)}\max\{0,\mathbf{z}_{q}\cdot\mathbf{z}_{n_{k}}-\mathbf{z}_{q}\cdot\mathbf{z}_{i}+\Delta\}