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。

前言：最近和业界同事交流，大家都发现搜广推做到一定程度优化越来越难，一招就能普遍提升的大招越来越难找，推荐何去何从？上期写了个冷启动的一致性，从中得到启发，其实推荐过程中，也可以借鉴一下这个思路，从各个环节去考虑我们系统中的一致性，还是有不少优化点。现在推荐已经过了那个蛮荒的年代，既然已经很难仅通过某个模块环节就找到能整体提升的优化点，我们可以扫视一下我们系统中的一致性，是否在过去的优化中对某些模块，领域存在着忽略，缺少整体的一致性的考虑，还是有不少优化点，可以继续提升我们推荐优化的效果。