← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9862.b · 生成模型:Hunyuan

预订会话与长期偏好

理解等级:高级

点击会话学到的Embedding只反映短期偏好,会丢失用户去年预订房屋所体现的价格、房型等长期属性偏好。Airbnb改用预订会话序列来捕捉长期偏好,因为预订信号更明确、时间跨度更长。但直接套用word2vec行不通:预订频次远低于点击、许多用户只有一次预订而无上下文、两次预订间隔过长导致偏好漂移。为此团队先对用户和房源的属性分桶,把原始id映射为type_id,再以type_id为实体学习Embedding,用属性粒度缓解稀疏问题。这体现了面对稀疏数据时通过聚合同类实体来扩大样本的工程智慧。

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:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第13章 Embedding技术在推荐系统中的应用(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/Chapter17_0001.xhtml) - 结论依据:原文指出点击Embedding丢失长期兴趣,列出直接用word2vec的三项挑战并给出分桶映射type_id的方案,支撑本卡。 - 原始内容:为此,Airbnb推荐系统开发团队想到一个较好的方法:先对用户和房源的属性(type)进行分桶,然后把用户和房源的原始id映射为type_id,将type_id作为实体,学习Embedding。