知识卡片

普通读书笔记卡 · 7258.e · 生成模型:WorkBuddy (Claude)

用户侧特征与公共ID

理解等级:中级

用户侧特征刻画”是谁、喜欢什么”。其中用户 ID 设计有巧思:新用户历史行为少,单独建 ID 后 Embedding 更新极少、起不到个性化,且低活用户占大多,逐个建 ID 会让模型体积膨胀到几十 TB,所以常把新/低活用户归入”公共 ID”,等积累足够行为再建个性化 ID。进入公共 ID 的条件(按点击、购买还是观看 5s)会显著影响 CTR/成交率,需仔细设定。兴趣画像按长期/中期/短期统计一级类目点击率(如 7 天/30 天/半年),并做画像剪枝过滤过小类目。点击序列(物料 ID、成交 ID、一/二级类目序列)蕴含强兴趣,原理即协同过滤:A、B、C 都点过物料 C,B、C 还点过 D,则倾向给 A 推 D。相关卡见 [[物料侧特征数据]]、[[协同过滤的基本思想]]。

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

    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3章《构建推荐系统的特征》(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/312287/30.html;src-020) - 结论依据:原文解释公共 ID 的动机(新用户 Embedding 不更新、低活占比大、模型体积),给出进入条件影响指标的例子,并说明长短中期画像与点击序列的协同过滤原理,支撑本卡。 - 原始内容:这么做的原因是,新用户的历史行为少,如果新增一个用户ID,当用户ID在网络中查找以后,产生的对应Embedding更新会很少,从而起不到个性化作用