知识卡片
LS-PLM分片逻辑回归
LS-PLM又称MLR,本质是对逻辑回归的自然推广,采用分而治之:先用softmax聚类函数π对样本分片,再在每个分片内用LR计算CTR,最后把两者相乘求和。其灵感来自广告场景——预估女性点击女装广告时,不应把男性点击数码产品的样本混进来扰乱权重,先聚类再分片建模能让模型对不同人群和场景更有针对性。超参数分片数m平衡拟合与推广:m=1时退化为普通LR,m越大拟合能力越强,但参数规模与所需训练样本也随m线性增长,阿里给出的经验值是12。相比LR只能画线性分类面,多个分片能拟合出非线性边界,如用4个分片拟合菱形分类面。
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
本质上,LS-PLM可以看作对逻辑回归的自然推广,它在逻辑回归的基础上采用分而治之的思路,先对样本进行分片,再在样本分片中应用逻辑回归进行 CTR预估
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_007.html)
- 结论依据:原文说明LS-PLM先分片再分片内LR的结构、女性女装广告的动机、分片数m的作用与经验值12,以及拟合菱形分类面的例子。
- 原始内容:本质上,LS-PLM可以看作对逻辑回归的自然推广,它在逻辑回归的基础上采用分而治之的思路,先对样本进行分片,再在样本分片中应用逻辑回归进行 CTR预估