知识卡片
排序模型特征与非线性处理
YouTube排序模型结构虽与候选集模型相近,但只在几百候选上排序,因此可引入更丰富的特征:当前候选视频Embedding、用户最近观看N个视频Embedding均值、语言Embedding、距上次看同频道视频的时间(time since last watch),以及该视频对用户的历史曝光次数。其中time since last watch捕捉用户连续看同类频道的行为倾向,曝光次数特征则引入探索与利用,避免同一视频对用户反复无效曝光。对第4、5类特征还做了平方与开方变换,引入非线性以增强表达能力。启示是精排阶段应把观察到的用户行为转成明确特征,并主动为数值特征补充非线性。
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
排序模型不仅针对第4个和第5个特征引入了原特征值,还进行了平方和开方的处理。作为新的特征输入模型,这一操作引入了特征的非线性,提升了模型对特征的表达能力。
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_003.html)
- 结论依据:原文列出排序模型的五类输入特征,解释time since last watch与曝光次数特征的行为含义,并说明平方/开方处理引入非线性。
- 原始内容:排序模型不仅针对第4个和第5个特征引入了原特征值,还进行了平方和开方的处理。作为新的特征输入模型,这一操作引入了特征的非线性,提升了模型对特征的表达能力。