知识卡片
实时性的重要性证据
推荐系统的实时性指感知用户反馈并快速更新特征与模型的能力。Facebook用GBDT+LR做的实验显示,模型训练结束到测试的时间间隔越长,归一化交叉熵损失越大,即更新越频繁效果越好。从机器学习角度看实时性有两层含义:特征实时性让代表用户最近习惯的特征更快更新,模型实时性让系统更快发现新的数据模式与流行趋势。从用户体验看,用户希望更快刷到感兴趣的新闻、短视频或商品,延迟意味着错失提升黏性与留存的最佳时机。注意实时性并非越快越好到忽略成本,它是与系统复杂度权衡的工程目标。
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5章 多角度审视推荐系统 · 查看原书依据
从图中可以看出,无论是“GBDT+LR”模型,还是单纯的树模型,损失函数的值都跟模型更新延迟有正相关的关系,也就意味着模型更新的间隔时间越长,推荐系统的效果越差;反过来说,模型更新得越频繁,实时性越好,损失越小,效果越好。
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_003.html)
- 结论依据:原文引用Facebook实验并归纳出特征实时性与模型实时性两大要素,直接支撑本卡结论。
- 原始内容:从图中可以看出,无论是“GBDT+LR”模型,还是单纯的树模型,损失函数的值都跟模型更新延迟有正相关的关系,也就意味着模型更新的间隔时间越长,推荐系统的效果越差;反过来说,模型更新得越频繁,实时性越好,损失越小,效果越好。