论文名：AliCoCo: Alibaba E-commerce Cognitive Concept Net
引言
基本电商的图谱建设都是Category-Property-Value形式，Category是一颗树，其中Property就是 Category的叶子 下的属性。
搜索时，问题在于，用户通常不记得一个item的具体名字，而是只记得item的类别类型或者item其他相关信息，（个人理解AliCoCo起到 别名 的作用）
推荐时，问题在于，候选item很多，而且协同过滤不是根据用户需求，另外缺乏推荐的新颖性，（根据论文的图AliCoCo起到搜索时互动推荐的作用）
不同于现在的电商的标签,只包括 类别，商标等标签，AliCoCo有比如 “户外烧烤” 或者 “儿童保暖” 这样的标签，“户外烧烤” 这样的标签有 烤架、黄油 这样的商品，
下图中，用户搜 烘焙，召回的item有个 烘焙工具 的标签，而 烘焙工具 下面的item不是都出现 烘焙 二字：
分类学taxonomy
即下图中的紫色部分
人工定义好taxonomy（分类学），可以理解为domain
domain有20种，主要的是Category, Brand, Color, Design, Function, Material, Pattern, Shape, Smell, Taste, Style
domain其中Category包括800个叶子类别，
domain其中IP(Intellectual Property)包括现实世界的实体，比如名人、歌曲、电影。
下图中直接和Root相连的是20个domain：
primitive concepts
即下图的蓝色部分
raw primitive concepts (可以看成 词表），会被组织成层级结构，
primitive concepts词表构建
从 搜索查询语句、item标题、用户写的评论、用户写的购物指南 中提取，
方法1基于规则，
方法2是下图的模型，下图模型是挖掘出20种domain，NER模型圈出输入文本的词作为词表
primitive concepts词表中上下位词的确定
1，基于规则：
比如 某某裤 是一种 裤，那么 裤 就是 某某裤 的 父节点，
2，基于textmatch模型的projection learning模型，输入 两个词 输出是上下位词的关系，即has_function、suitable_when、isA、in_season等等：
这里论文提出一种 在线数据标注的算法，不断选取模型预测 高分 和 低分 的样本都交给人工标注，
e-commerce concepts
也就是下图的橙色部分
每个e-commerce concepts代表一个购物场景，每个e-commerce concepts可以被至少被一个primitive concepts组成，
e-commerce concepts的词表生成候选
采用AutoPhrase关键短语提取工具，从文本中提取，也是从 搜索查询语句、item标题、用户写的评论、用户写的购物指南 中提取，
另外就是从现有的primitive concepts生成，比如从 Location: Indoor + Event: Barbecue 来得到新的e-commerce concept：indoor barbecue，
还有基于规则，使用一个模板，[class: Function] [class: Category] for [class: Event] 匹配出warm hat for traveling
e-commerce concepts词表候选的校验
对e-commerce concepts的词进行文本分类，提出一种 知识增强的文本分类，基于Wide&Deep模型，附加输入了POS、NER信息和 词 的百科文本，以及BERT的embedding
e-commerce concepts链接到primitive concepts
使用NER模型，输入e-commerce concepts输出primitive concepts，采用了fuzzy CRF更好处理歧义问题，
有了标签树，给item打标签（叶子节点可能有多个父节点的树）
e-commerce concepts和primitive concepts都会打到item，考虑到primitive concepts比较短，直接走规则，所以这里主要介绍e-commerce concepts打到item的模型，
采用引入百科文本的textmatch模型，输入是e-commerce concepts和它的primitive concepts和item名称，输出是item是这个e-commerce concepts的0-1分值
