← 返回刚才阅读的位置

知识卡片

结构图卡 · 9858.g · 生成模型:Hunyuan

深度学习推荐模型谱系

理解等级:中级

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?

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。