論文名：AliCoCo: Alibaba E-commerce Cognitive Concept Net
引言
基本電商的圖譜建設都是Category-Property-Value形式，Category是一顆樹，其中Property就是 Category的葉子 下的屬性。
搜索時，問題在於，用戶通常不記得一個item的具體名字，而是隻記得item的類別類型或者item其他相關信息，（個人理解AliCoCo起到 別名 的作用）
推薦時，問題在於，候選item很多，而且協同過濾不是根據用戶需求，另外缺乏推薦的新穎性，（根據論文的圖AliCoCo起到搜索時互動推薦的作用）
不同於現在的電商的標籤,只包括 類別，商標等標籤，AliCoCo有比如 “戶外燒烤” 或者 “兒童保暖” 這樣的標籤，“戶外燒烤” 這樣的標籤有 烤架、黃油 這樣的商品，
下圖中，用戶搜 烘焙，召回的item有個 烘焙工具 的標籤，而 烘焙工具 下面的item不是都出現 烘焙 二字：
分類學taxonomy
即下圖中的紫色部分
人工定義好taxonomy（分類學），可以理解爲domain
domain有20種，主要的是Category, Brand, Color, Design, Function, Material, Pattern, Shape, Smell, Taste, Style
domain其中Category包括800個葉子類別，
domain其中IP(Intellectual Property)包括現實世界的實體，比如名人、歌曲、電影。
下圖中直接和Root相連的是20個domain：
primitive concepts
即下圖的藍色部分
raw primitive concepts (可以看成 詞表），會被組織成層級結構，
primitive concepts詞表構建
從 搜索查詢語句、item標題、用戶寫的評論、用戶寫的購物指南 中提取，
方法1基於規則，
方法2是下圖的模型，下圖模型是挖掘出20種domain，NER模型圈出輸入文本的詞作爲詞表
primitive concepts詞表中上下位詞的確定
1，基於規則：
比如 某某褲 是一種 褲，那麼 褲 就是 某某褲 的 父節點，
2，基於textmatch模型的projection learning模型，輸入 兩個詞 輸出是上下位詞的關係，即has_function、suitable_when、isA、in_season等等：
這裏論文提出一種 在線數據標註的算法，不斷選取模型預測 高分 和 低分 的樣本都交給人工標註，
e-commerce concepts
也就是下圖的橙色部分
每個e-commerce concepts代表一個購物場景，每個e-commerce concepts可以被至少被一個primitive concepts組成，
e-commerce concepts的詞表生成候選
採用AutoPhrase關鍵短語提取工具，從文本中提取，也是從 搜索查詢語句、item標題、用戶寫的評論、用戶寫的購物指南 中提取，
另外就是從現有的primitive concepts生成，比如從 Location: Indoor + Event: Barbecue 來得到新的e-commerce concept：indoor barbecue，
還有基於規則，使用一個模板，[class: Function] [class: Category] for [class: Event] 匹配出warm hat for traveling
e-commerce concepts詞表候選的校驗
對e-commerce concepts的詞進行文本分類，提出一種 知識增強的文本分類，基於Wide&Deep模型，附加輸入了POS、NER信息和 詞 的百科文本，以及BERT的embedding
e-commerce concepts鏈接到primitive concepts
使用NER模型，輸入e-commerce concepts輸出primitive concepts，採用了fuzzy CRF更好處理歧義問題，
有了標籤樹，給item打標籤（葉子節點可能有多個父節點的樹）
e-commerce concepts和primitive concepts都會打到item，考慮到primitive concepts比較短，直接走規則，所以這裏主要介紹e-commerce concepts打到item的模型，
採用引入百科文本的textmatch模型，輸入是e-commerce concepts和它的primitive concepts和item名稱，輸出是item是這個e-commerce concepts的0-1分值
