知识卡片

普通读书笔记卡 · 9907.f · 生成模型:Hunyuan

Embedding召回的两大优势

理解等级:高级

基于Embedding的召回把用户与物品映射到同一向量空间,用最近邻搜索快速取回候选,效果与速度都不逊于多路召回。第一大优势是可融合性:兴趣标签、热门度、流行趋势、物品属性等都能作为side information融入Embedding,相当于在统一向量里体现了多路召回的多种策略。第二大优势是评分连续性:多路召回各路的相似度、热度分值互不可比,难以决定各路候选集大小,而Embedding相似度提供唯一判断标准,可自由限定召回规模。生成方法并不唯一,Item2vec、Graph Embedding、矩阵分解、因子分解机都可产出所需向量。边界是它依赖Embedding质量与最近邻索引的精度。

这张卡片看不懂?

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5章 多角度审视推荐系统 · 查看原书依据

      多路召回中不同召回策略产生的相似度、热度等分值不具备可比性,无法据此决定每个召回策略放回候选集的大小。Embedding召回可以把Embedding间的相似度作为唯一的判断标准,因此可以随意限定召回的候选集大小。

    参考来源

    - 位置:《深度学习推荐系统》第5章 多角度审视推荐系统(源文件:extracted/深度学习推荐系统/_epub-src/text/part0009_split_002.html) - 结论依据:原文对比Embedding召回与多路召回,明确点出side information融合与评分连续性两项优势。 - 原始内容:多路召回中不同召回策略产生的相似度、热度等分值不具备可比性,无法据此决定每个召回策略放回候选集的大小。Embedding召回可以把Embedding间的相似度作为唯一的判断标准,因此可以随意限定召回的候选集大小。