知识卡片
逻辑回归的CTR预估流程
逻辑回归把推荐问题转成CTR预估的分类问题,与协同过滤、矩阵分解按“相似度”推荐截然不同。操作分四步:把年龄、性别、物品属性、当前时间地点等特征转成数值向量;以点击等正反馈为优化目标训练模型确定权重;在线推断时把特征向量输入模型得到点击概率;最后按概率对所有候选物品排序。模型内部的推断是加权求和xTw后送入sigmoid,把结果映射到0到1区间,恰好符合点击率的物理意义。训练多用梯度下降:由极大似然估计写出目标函数,取对数并转为求极小值,对每个权重求偏导后迭代更新。这套“找目标函数—求导—沿梯度反方向更新”的流程是后续所有模型训练的基础。
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
- 第2章 前深度学习时代——推荐系统的进化之路 · 查看原书依据
相比协同过滤和矩阵分解利用用户和物品的“相似度”进行推荐,逻辑回归将推荐问题看成一个分类问题,通过预测正样本的概率对物品进行排序。这里的正样本可以是用户“点击”了某商品,也可以是用户“观看”了某视频,均是推荐系统希望用户产生的“正反馈”行为
参考来源
- 位置:《深度学习推荐系统》第2章 前深度学习时代——推荐系统的进化之路(源文件:extracted/深度学习推荐系统/_epub-src/text/part0006_split_004.html)
- 结论依据:原文给出基于逻辑回归的四步推荐流程与sigmoid推断形式,并完整推导了梯度下降求解权重的目标函数与更新步骤。
- 原始内容:相比协同过滤和矩阵分解利用用户和物品的“相似度”进行推荐,逻辑回归将推荐问题看成一个分类问题,通过预测正样本的概率对物品进行排序。这里的正样本可以是用户“点击”了某商品,也可以是用户“观看”了某视频,均是推荐系统希望用户产生的“正反馈”行为