- 博客(4)
- 收藏
- 关注
RSS订阅原创 序列及多任务排序
就变成了定长的向量， 这里的i表示第i个历史特征组(是历史行为，比如历史的商品id，历史的商品类别id等)， 这里的k表示对应历史特种组里面用户购买过的商品数量，也就是历史embedding的数量，看上面图里面的user behaviors系列，就是那个过程了。例如，不同的数据集和任务可能需要不同的专家网络数量和结构，很难有一个通用的参数配置。每个门控网络是一个注意力网络： 。
2025-02-24 01:31:50
1558
原创 关于基本排序
然后是deep，如同词一样深度，例如，在电影推荐系统中，用户对电影的评论可以反映出他们对电影的喜好和态度，通过深度学习模型可以从这些评论中提取出有用的信息，用于推荐更符合用户口味的电影。详细内容参考FM模型部分的内容，下图是FM的一个结构图，从图中大致可以看出FM Layer是由一阶特征和二阶特征Concatenate到一起在经过一个Sigmoid得到logits（结合FM的公式一起看），所以在实现的时候需要单独考虑linear部分和FM交叉特征部分。
2025-02-20 23:50:19
1184
原创 基于向量的召回
它的输入主要是用户侧的特征，包括用户观看的历史video序列， 用户搜索的历史tokens， 然后就是用户的人文特征，比如地理位置， 性别，年龄这些。该过程可以理解为：对于当前所有输入的特征，通过相互发生关联，来动态地判断哪些特征重要，哪些特征不重要，而这体现在Excitation阶段的输出结果 AA，其反应每个特征对应的重要性权重。注意：在使用CBOW时，上文所给出的模型结构并没有变，在这里，我们输入多个上下文词o，在隐藏层，将这多个上下文词经过第一个参数矩阵的计算得到的词向量相加作为隐藏单元的值。
2025-02-18 00:25:48
1788
原创 基于协同过滤的召回
计算 Alice 与其他用户的余弦相似度，用户向量Alice(5,3,4,4) user1(3,1,2,3) user2(4,3,4,3) user3(3,3,1,5) user4(1,5,5,2)UserCF基于用户行为数据，找到与目标用户兴趣相似的用户群体，然后将这些相似用户喜欢的物品推荐给目标用户。首先计算物品之间的相似度，通常通过共同被用户喜欢的情况来衡量。物品1(3,4,3,1) 物品2(1,3,3,5) 物品3(2,4,1,5) 物品4(3,3,5,2) 物品5(3,5,4,1)
2025-02-13 23:37:28
648
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人