知识卡片
属性聚合破解长期兴趣稀疏
长期兴趣建模要用预订序列,但直接套Word2vec会遭遇三重稀疏:预订总量远小于点击、单用户预订极少(很多序列长度为1)、大部分房源被预订少于5次而无法学出稳定向量。Airbnb的解法是基于属性规则做聚合:把房源属性(国家、类型、价格桶)与用户属性(设备、简介、头像、预订次数)编码成属性标识与属性类型,用user type和listing type替代原始id,把稀疏个体合并成稠密群体。训练时把序列中房源替换为(user type, listing type)元组,分别以ut或lt为中心词扁平化训练,使用户与房源属性落在同一向量空间,其余弦相似度即长期偏好。代价是损失部分个体信息,但换来工程可行性。
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8章 深度学习推荐系统的前沿实践 · 查看原书依据
可以用属性名称和分桶id(这里指属性值对应的序号)组成一个属性标识,例如,某个房源的国家是US,房源属性是Ent(bucket 1),每晚的价格是56~59美元(bucket 3),就可以用US_lt1_pn3表示该房源的属性标识。
参考来源
- 位置:《深度学习推荐系统》第8章 深度学习推荐系统的前沿实践(源文件:extracted/深度学习推荐系统/_epub-src/text/part0012_split_002.html)
- 结论依据:原文列出预订会话数据稀疏的3点表现,并说明用属性标识聚合、用元组扁平化训练把user type与listing type置于同一空间。
- 原始内容:可以用属性名称和分桶id(这里指属性值对应的序号)组成一个属性标识,例如,某个房源的国家是US,房源属性是Ent(bucket 1),每晚的价格是56~59美元(bucket 3),就可以用US_lt1_pn3表示该房源的属性标识。