learning rate调优
1)在数据集较小的情况下,nn的learning rate大于embed的learning rate模型的效果会更好,这主要是因为数据集小,模型无法收敛。而nn能更快的拟合数据集,导致效果会好一些;
2)在数据充分的情况下,nn的learning rate小于embed的learning rate模型的效果会更好,在稀疏的工业场景下,embed的更新频率一般要低于nn,将embed的learning rate设置大一些会有更好的效果。同时这也是尽量让模型用embeding去拟合数据分布,而不是nn,这样模型的波动会更小,而且泛化能力会更强;