qjzcy的博客

在cv里码本对应的encoder是卷积完的三维机构，如果我们是优化ID向量只有一维，需要做个转换把一维变成二维，这里可以用卷积，也可以把向量两两相乘变成二维结构，这样的好处是一方面方便我们把每一行当作一个向量和codebook求对应，另一方面两两相乘也可以理解为一种特征交叉，提升了向量的表达。在传统的 VAE 中，先验分布通常是一个固定的分布，例如标准正态分布。在VQ-VAE中，编码器将输入数据映射到一个离散的隐藏，将编码器的输出与一个称为码本（codebook）的离散向量集进行匹配来实现的。

在物品冷启动，打分的时候，一个用户往往对应多篇文章，所以item 冷启动的一致性，一般强调的是信息补充和使emb不受歧视。用户冷启动，user emb对所有文章是公平的，user emb被歧视的问题影响相对弱，所以用户冷启动更要强调的是用户emb从相同类别用户中获取到用户的公共兴趣增益。在推荐系统中user&item emb往往是最重要的特征之一，在冷启动和长尾优化的工作中，往往也是优化的重点，相当一部分工作是围绕着emb优化展开，所以这里单独开了一章。主要思路在于冷启内容emb和高活emb的一致性。