← 返回卡片

原书出处

深度学习推荐系统

05 第5章 多角度审视推荐系统

核验版本的摘录快照 · 导入于 2026-11-19T07:39:55.623Z

荐模型训练结束到模型测试的时间间隔(天数),纵轴是损失函数Normalized Entropy(归一化交叉熵)的相对值。

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。

从用户体验的角度讲,在用户使用个性化新闻应用时,用户的期望是更快地找到与自己兴趣相符的文章;在使用短视频服务时,期望更

此预览只包含定位所需的摘录和上下文。

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/part0009_split_003.html

EPUB SHA-256:2cd732704a51828ea5c0ec7decb8861b35f44e5e16d9af11fbc68f7084f63382