搜广推相关问题——持续更新

烟雨人长安

已于 2024-06-12 17:05:33 修改

阅读量488

点赞数 2

CC 4.0 BY-SA版权

分类专栏：机器学习算法面试问题文章标签：推荐算法算法面试

于 2022-11-03 10:47:58 首次发布

本文链接：https://blog.youkuaiyun.com/Matrix_cc/article/details/127412395

机器学习算法同时被 2 个专栏收录

15 篇文章

订阅专栏

面试问题

5 篇文章

订阅专栏

本文探讨了推荐系统中多目标学习的应用，分析了其优势，特别是在处理稀疏数据时的效果提升，并讨论了如何通过参数共享缓解过拟合问题。此外，文章还提到了多任务学习在解决冷启动问题方面的潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

搜索排序指标：https://www.jianshu.com/p/c76b92693cabhttps://www.jianshu.com/p/c76b92693cab NDCG排序评估指标 - 知乎
pointwise，pairwise，listwise区别和优缺点。【推荐】pairwise、pointwise 、 listwise算法是什么?怎么理解？主要区别是什么？_凝眸伏笔的博客-优快云博客_listwise
poinwise，pairwise，listwise 常用的损失函数有哪些？pointwise 常用的损失函数就一般做分类的损失，比如交叉熵损失，对数损失等。pairwise一般是 Triplet hinge loss: $L(a,b^{+},b^{-}) = max{0,cos(a,b^{-})+m-cos(a,b^{+})}$ ，或者是 Triplet logistic loss： $L(a,b^{+},b^{-}) = log(1+exp[\sigma \cdot (cos(a,b^{-})-cos(a,b^{+}))])$
pointwise效果差的原因
多目标怎么融合？推荐系统 - 多目标模型融合部分_杨小吴的算法博客的博客-优快云博客_多目标融合
FM，FFM，Wide&Deep，deepFM，DIN等模型原理
线下指标好，线上指标差的原因？线下AUC提升为什么不能带来线上效果提升? - 知乎
query意图识别一般怎么做？Query意图识别分析 - 腾讯云开发者社区-腾讯云
推荐算法有哪些？推荐系统的几种常用算法总结 - 知乎推荐算法有哪些？ - 知乎
FFM针对FM的改进在哪里？FFM相比于FM的缺点在哪里？
简述阿里Co-Action Network的基本思想
FM相对LR的优势在哪里？
FM的复杂度是O(n^2)吗？O(kn)，n是特征个数，k是隐向量维度
DIN的建模思路是怎样的？怎么理解“千物千面”？
Wide & Deep是如何做到兼顾“记忆”与“扩展”的？
什么样的特征进Deep侧？什么样的特征进Wide侧？
Wide&Deep的优化方式
介绍swing和时间复杂度
对比学习的loss及代码实现
online learning是什么？为什么要用online learning？有哪些方法？
训练样本是怎样构造的？有什么采样方法，以及为什么要做采样？如果做了负例采样，那么ctr要怎样进行校正？batch内的负采样怎么做
用户序列建模为什么会有用

23. 多目标学习中的负迁移

24. 为什么要用多任务学习？

「方便」。在推荐任务中，往往不仅要预测用户的engagement（例如CTR），还要预测用户satisfaction（例如评分、CVR、观看时长）。如果用多个模型预测多个目标，参数量会很大，而且在线上也不好维护。因此需要使用一个模型来预测多个目标，这点对工业界来说十分友好。
多任务学习不仅方便，还可能「效果更好」。针对很多数据集比较「稀疏」的任务，比如短视频转发，大部分人看了一个短视频是不会进行转发这个操作的，这么稀疏的行为，模型是很难学好的（过拟合问题严重），那我们把预测用户是否转发这个稀疏的事情和用户是否点击观看这个经常发生事情放在一起学，通过参数共享，一定程度上会缓解模型的过拟合，提高了模型的泛化能力。这其实是regularization和transfer learning。也可以理解为，其他任务的预测loss对于"转发"事件预测来说是辅助loss。从另一个角度来看，对于数据很少的新任务，这样也解决了「冷启动问题」。

25. 什么是迁移学习