知识卡片
搜索词Embedding捕捉语义
Airbnb还把搜索词query与房源放进同一向量空间做Embedding,用二者余弦相似度参与排序,而非依赖字面匹配。其价值在于能捕捉词义:输入France Skiing时,传统方法只会返回含关键词的结果,而Embedding方法即使结果中没有Skiing字样,也能返回法国的滑雪胜地,更贴近用户真实动机。可迁移经验是当查询与物品之间存在语义鸿沟时,把它们映射到共享向量空间往往比关键词匹配更有效;但语义结果的可解释性与长尾查询覆盖仍需额外关注。
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
输入France Skiing(法国滑雪),虽然结果中没有一个地点名带有Skiing这个关键词,但联想结果中都是法国的滑雪胜地,这无疑是更接近用户动机的结果。
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:原文以France Skiing为例对比引入Embedding前后的搜索结果,指出Embedding能捕捉搜索词的语义信息。
- 原始内容:输入France Skiing(法国滑雪),虽然结果中没有一个地点名带有Skiing这个关键词,但联想结果中都是法国的滑雪胜地,这无疑是更接近用户动机的结果。