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
机梯度下降的参数更新公式理解),这进一步降低了Embedding层的收敛速度。 针对Embedding层收敛速度的难题,
FNN模型的解决思路是用FM模型训练好的各特征隐向量初始化 Embedding 层的参数,相当于在初始化神经网络参数时,已经引入了有价值的先验信息。也就是说,神经网络训练的起点更接近目标最优点,自然加速了整个神经网络的收敛过程。
这里再回顾一下FM的数学形式,如(式3-10)所示。 其中的参数主要包括常数偏置w0,一阶参数部分wi和二阶隐向量部分
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_007.html
EPUB SHA-256:2cd732704a51828ea5c0ec7decb8861b35f44e5e16d9af11fbc68f7084f63382