知识卡片
Embedding作为召回层
Embedding自身表达能力的增强使直接用它生成推荐列表成为可能,YouTube召回层是典型做法。模型输入全是用户相关特征,包括观看历史视频、搜索词、地理属性的Embedding以及年龄、性别特征,经过三层ReLU全连接生成用户Embedding。输出层是softmax多分类,预测用户观看了哪个视频,输出向量每一维对应一个视频,该维的softmax列向量就是物品Embedding。部署时无需上线整个深度网络,只需把用户和物品Embedding存入内存数据库,以内积排序取Top N作为召回候选。不过在候选集达几百万量级时,遍历内积的O(n)操作仍会带来延迟,因此需要更快的近邻索引方法。
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
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。
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_005.html)
- 结论依据:原文4.5.3节以YouTube召回层为例,说明输入特征、softmax输出与物品Embedding的对应,以及仅存Embedding做内积排序上线的做法。
- 原始内容: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。