goTsHgo的博客

初始化嵌入矩阵：随机初始化一个 N×d 的矩阵，每行对应一个类别ID的嵌入向量。前向传播查找嵌入：对于输入样本中的ID，直接在嵌入矩阵中查找相应行向量，得到低维稠密向量表示。反向传播更新嵌入：计算损失函数的梯度，并对嵌入矩阵中参与计算的行向量进行梯度更新。重复训练：嵌入矩阵会逐渐学习到各个ID的合理向量表示，使得模型能够更好地利用稀疏ID类特征。使用嵌入处理稀疏ID类特征的核心在于将高维稀疏向量转换为低维稠密向量，方便模型处理并且提高训练效率。使用可学习的嵌入矩阵作为查找表；

用户-物品交互矩阵构建完成后，MF召回方法通过矩阵分解将用户和物品的隐含关系建模，得到用户向量和物品向量。矩阵分解使用随机梯度下降进行训练，优化损失函数，得到用户矩阵和物品矩阵。生成推荐结果使用用户-物品隐向量的内积作为预测评分，从而得到每个用户的推荐结果。部署到生产环境，使用 Flask 框架将推荐模型部署为 REST API。通过以上步骤，可以实现一个简单的 MF 召回方法，并部署到生产环境中，为用户实时提供个性化推荐。