原书出处
深度学习推荐系统
04 第4章 Embedding技术在推荐系统中的应用
ng和物品Embedding。 在模型部署过程中,没有必要部署整个深度神经网络来完成从原始特征向量到最终输出的预测过程,
只需要将用户Embedding和物品Embedding存储到线上内存数据库,通过内积运算再排序的方法就可以得到物品的排序,再通过取序列中Top N的物品即可得到召回的候选集合,这就是利用Embedding作为召回层的过程。
但是,在整体候选集动辄达到几百万量级的互联网场景下,即使是遍历内积运算这种O(n)级别的操作,也会消耗大量计算时间,导
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/part0008_split_005.html
EPUB SHA-256:2cd732704a51828ea5c0ec7decb8861b35f44e5e16d9af11fbc68f7084f63382