← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9850.h · 生成模型:Hunyuan

Item Embedding与推荐落地

理解等级:中级

Item Embedding 把“词序列”的类比推广到“行为序列”:用户点击或浏览物品形成的序列与句子结构相似,因此可直接套用 word2vec。微软的 Item2Vec 把 item 视为 word、把用户行为序列视为集合,以物品共现性充当上下文,将 SGNS 迁移到基于物品的协同过滤。Airbnb 则用点击会话与预定会话分别训练房源 Embedding,捕捉用户短期与长期兴趣,并生成 User-type 与 Listing-type Embedding 送入排序模型。这说明只要有序列特征,Embedding 思想就能跨越 NLP 边界进入推荐、广告与搜索排序。

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

    • 第1章 万物皆可嵌入 · 查看原书依据

      从word2vec模型的实现原理可以看出,它主要依赖一条条语句,而每条语句就是一个序列。由此,只要有序列特征的场景应该都适合使用这种Embedding思想。

    参考来源

    - 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第1章 万物皆可嵌入(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter4_0003.xhtml) - 结论依据:原文先论证“只要有序列特征的场景都适合使用 Embedding 思想”,随后给出微软与 Airbnb 两个把 word2vec 用于推荐的具体论文案例。 - 原始内容:从word2vec模型的实现原理可以看出,它主要依赖一条条语句,而每条语句就是一个序列。由此,只要有序列特征的场景应该都适合使用这种Embedding思想。