知识卡片

普通读书笔记卡 · 7257.j · 生成模型:WorkBuddy (Claude)

精排模型演化LR到DNN

理解等级:中级

精排模型经历了从简单到深度的演化。最早只有精排:CF(协同过滤)是最早的精排模型,只看用户-物料是否点击;随后 LR(逻辑回归)靠大规模特征工程+梯度下降流行,优点是快、特征工程做好后精度不弱于 DNN,缺点是靠大量人工特征堆砌。2014 年 GBDT 因擅长连续特征被广泛用作特征提取器喂给 LR。进入深度学习时代后,特征 Embedding 化,并分化出三个优化分支:①特征交叉(FM、FFM、DeepFM、DCN/DCNv2、FiBiNET 等);②序列特征兴趣提取(DIN、DIEN、SIM 等);③多目标建模(ESMM、MMOE、PLE 等)。可迁移启发:选模型要看业务阶段与数据——小数据/强特征工程用 LR 也够,复杂兴趣与多目标才上 DNN 分支;详情见 [[精排层核心地位与序值关系]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 推荐系统架构 2.4 精排层概述 · 查看原书依据

      CF就是最早的精排模型,这时候仅考虑用户和物料是否存在点击关系,后面出现的LR(逻辑回归)开始在各大公司大行其道,其中的优秀代表就是百度的大规模特征工程与LR算法的融合,其主要作用就是将用户的基础特征和物料的基础特征提取出来,再加上大量的人造特征,提取出用户和物料的共性,然后运用

    参考来源

    - 位置:《推荐系统全链路设计:原理解读与业务实践》第2章《推荐系统架构》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/23.html;src-015) - 结论依据:原文按时间线梳理精排从 CF、LR、GBDT 到深度学习,并归纳出特征交叉、序列兴趣、多目标三类分支及代表模型,支撑本卡对演化路径的总结。 - 原始内容:CF就是最早的精排模型,这时候仅考虑用户和物料是否存在点击关系,后面出现的LR(逻辑回归)开始在各大公司大行其道,其中的优秀代表就是百度的大规模特征工程与LR算法的融合,其主要作用就是将用户的基础特征和物料的基础特征提取出来,再加上大量的人造特征,提取出用户和物料的共性,然后运用