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
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
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