知识卡片
广义Item2vec与双塔
广义的Item2vec不局限于Word2vec这一种生成方式,任何能把物品原始特征变成稠密向量的方法都可以归入其中。典型例子是双塔模型,广告侧的物品塔接收物品特征向量,经过多层神经网络输出一个多维稠密向量,这个向量本质就是物品的Embedding。相比Word2vec只吃用户行为序列产生的one-hot,物品塔可以纳入更全面的物品特征,模型结构更灵活。Item2vec的优势是能用任何序列数据生成物品向量,局限是只能处理序列型数据,面对互联网中大量网络化数据时捉襟见肘,这正是Graph Embedding出现的动因。
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4章 Embedding技术在推荐系统中的应用 · 查看原书依据
“物品塔”起到的作用本质上是接收物品相关的特征向量。经过物品塔内的多层神经网络结构,最终生成一个多维的稠密向量。从Embedding的角度看,这个稠密向量其实就是物品的 Embedding 向量,只不过 Embedding模型从 Word2vec 变成了更为复杂灵活的“物品塔”模型
参考来源
- 位置:《深度学习推荐系统》第4章 Embedding技术在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0008_split_003.html)
- 结论依据:原文4.3.2与4.3.3节用双塔模型的物品塔说明广义Item2vec,并指出其只能利用序列数据、难以处理网络化数据的局限。
- 原始内容:“物品塔”起到的作用本质上是接收物品相关的特征向量。经过物品塔内的多层神经网络结构,最终生成一个多维的稠密向量。从Embedding的角度看,这个稠密向量其实就是物品的 Embedding 向量,只不过 Embedding模型从 Word2vec 变成了更为复杂灵活的“物品塔”模型