知识卡片
YoutubeDNN时长标签
Youtube DNN 的精排是早期灵活运用 DNN 的经典案例,其最值得借鉴的是“标签设计”的技巧,用来解决“标题党”问题。为了防止用户被标题吸引点击但实际并不喜欢,模型没有直接设定一个时长阈值做二分类,而是把“播放/阅读时长”作为预测目标,并对正样本按点击时长加权、负样本权重固定为 1。
这样做在逻辑回归里等价于改变了正负样本的比率(Odds)。数学上可以证明,当正样本乘上的时长权重相对总样本数较小时,加权后的目标近似等于“期望观看时长”,因此线上推理阶段用 e^x 作为激励函数,就能近似估计期望观看时长。这个“对正样本加权”的思路可以迁移:推荐商品时对点击正样本按该商品的历史成交金额(GMV)加权,让高价值且用户喜欢的商品更靠前,提升商家利润。该技巧与 [[精排层的样本选择与拟合目标]] 中“负样本权重为 1”的样本选择互相呼应。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 精排层的样本选择和模型选择 8.1 传统DNN建模 · 查看原书依据
在推荐商品时,对训练样本中的“点击正样本”加权, 权重是该商品的历史成交金额 ( GMV ),这有利于将用户喜欢的且高价值的商品排在前面,有助于增加商家的利润
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8章《精排层的样本选择和模型选择》(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/312287/86.html;src-048)
- 结论依据:原文解释了对点击正样本乘时长加权、负样本权重为1,并推导该加权近似为期望观看时长,线上用 e^x 估计;还给出 GMV 加权的迁移应用。
- 原始内容:在推荐商品时,对训练样本中的“点击正样本”加权, 权重是该商品的历史成交金额 ( GMV ),这有利于将用户喜欢的且高价值的商品排在前面,有助于增加商家的利润