← 返回卡片

原书出处

深度学习推荐系统

03 第3章 浪潮之巅——深度学习在推荐系统中的应用

核验版本的摘录快照 · 导入于 2026-11-19T07:39:55.620Z

模型 在3.3节对Deep Crossing模型的介绍中提到,Embedding层的主要作用是将稀疏向量转换成稠密向量。

事实上,如果从深度学习的视角看待矩阵分解模型,那么矩阵分解层的用户隐向量和物品隐向量完全可以看作一种Embedding方法。最终的“Scoring层”就是将用户隐向量和物品隐向量进行内积操作后得到“相似度”,这里的“相似度”就是对评分的预测。

综上,利用深度学习网络图的方式来描述矩阵分解模型的架构,如图3-8所示。 图3-8 矩阵分解的网络化表示 在实际使用矩阵

此预览只包含定位所需的摘录和上下文。

原书定位详情

来源:a19c7933-4eda-4176-aebd-30fe7e1ad292

正文位置:extracted/深度学习推荐系统/_epub-src/text/part0007_split_004.html

EPUB SHA-256:2cd732704a51828ea5c0ec7decb8861b35f44e5e16d9af11fbc68f7084f63382