知识卡片
深度学习推荐模型谱系
随着深度学习成为推荐系统的主流,不同网络结构被有针对性地引入,各自解决不同问题。NCF与NeuMF改造协同过滤,用GMF与MLP分别捕捉线性与非线性交互;DeepFM把FM与深度网络结合,共享特征嵌入,同时学习低阶与高阶组合特征且免人工特征工程;ConvMF用CNN从商品描述文档中抽取高阶特征,缓解评论稀疏带来的质量下降;DMT把Transformer用于电商多目标排序,融合兴趣建模、多任务学习与偏置学习。选择哪种深度模型取决于数据形态与业务目标:交互数据用NCF与DeepFM,含文本描述用ConvMF,行为序列与多目标排序用Transformer系。
结构图:
classDiagram
class RecSys {
+recallStage
+rankStage
+collaborativeFiltering
}
class NCF {
+GMF
+MLP
+replaceInnerProduct
}
class DeepFM {
+FM
+DeepNN
+sharedEmbedding
+lowAndHighOrder
}
class ConvMF {
+CNN
+EmbeddingLayer
+ConvolutionLayer
+PoolingLayer
+documentContext
}
class DMT {
+InputEmbedding
+DeepInterestTransformer
+MultiTaskExpert
+BiasDNN
}
RecSys --> NCF
RecSys --> DeepFM
RecSys --> ConvMF
RecSys --> DMT
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
- · 第9章 推荐系统
原书出处 · 1 处
- 第9章 推荐系统 · 查看原书依据
这主要归功于推荐系统中成功地融入了深度学习算法,如卷积神经网络、循环神经网络、强化学习、对抗学习、Transformer、多种预训练模型等。
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9章 推荐系统(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/Chapter12.xhtml)
- 结论依据:原文开篇列举了融入推荐系统的多种深度学习算法,正文分别给出NCF/NeuMF、DeepFM、ConvMF、DMT的结构与用途,支撑本卡的谱系归纳。
- 原始内容:这主要归功于推荐系统中成功地融入了深度学习算法,如卷积神经网络、循环神经网络、强化学习、对抗学习、Transformer、多种预训练模型等。