知识卡片
加权逻辑回归预估观看时长
YouTube排序模型训练用加权逻辑回归、服务用e的(Wx+b)次方,这是对预估观看时长目标的精确落地。做法是把正样本的观看时长作为样本权重:事件发生的概率p经加权后,正样本发生概率变为原来的Ti倍,于是Odds等于p除以(1-p),近似等于每次曝光期望观看时长。由于用户打开视频的概率p很小(约1%),分母近似为1,Odds就直接成为期望观看时长的估计量。这样训练与服务阶段虽用不同函数,却共同服务于最大化观看时长的商业目标。可迁移经验是当业务目标不是点击概率而是某个量纲(时长、金额)时,可用加权逻辑回归把该量纲编码进样本权重,再用Odds还原出目标估计。
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
由于加权逻辑回归引入了正样本权重的信息,在YouTube场景下,正样本i的观看时长Ti就是其样本权重,因此正样本发生的概率变成原来的Ti倍
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:原文说明YouTube以正样本观看时长作样本权重、用加权逻辑回归训练、服务阶段用e(Wx+b),并推导Odds的物理意义即每次曝光期望观看时长。
- 原始内容:由于加权逻辑回归引入了正样本权重的信息,在YouTube场景下,正样本i的观看时长Ti就是其样本权重,因此正样本发生的概率变成原来的Ti倍