本文涵盖了推荐系统面试中的经典问题，包括召回分支的作用、离线评价召回模型的方法、多任务学习概念、特征选择策略、特征交叉方式、阿里X-Deep Learning在在线学习的解决方案、FTRL的技巧、逻辑回归在大规模广告点击率预估的局限、知识图谱在推荐系统的应用以及Collaborative Knowledge Base Embedding的三种知识学习。
问题1：召回分支的作用是什么？
解析：快速帮助用户找到可能感兴趣的候选物品；减少排序模型的候选输入，降低系统RT。
问题2：如何离线评价召回阶段各种模型算法的好坏？由于没有明确的召回预期值，所以无论rmse还是auc都不知道该怎么做？
解析：召回最直接的评估就是召回率，也就是召回集里正样本的比例；也可以不同的召回算法+同一个排序算法，还是用排序之后的AUC和RMSE来评估。
双12限时秒杀，不止5折，活动会场-->www.julyedu.com
七月在线双12活动正式开启 · 40门AI好课1分起秒！涵盖 ML | DL | CV | NLP | 推荐 全方向程！
问题3：简述Multi-task learning(MLT)多任务学习
解析：在机器学习中，我们通常关心优化某一特定指标，不管这个指标是一个标准值，还是企业KPI。为了达到这个目标，我们训练单一模型或多个模型集合来完成指定得任务。
然后，我们通过精细调参，来改进模型直至性能不再提升。尽管这样做可以针对一个任务得到一个可接受得性能，但是我们可能忽略了一些信息，这些信息有助于在我们关心的指标上做得更好。
具体来说，这些信息就是相关任务的监督数据。通过在相关任务间共享表示信息，我们的模型在原始任务上泛化性能更好。这种方法称为多任务学习（Multi-Task Learning）</
最低0.47元/天 解锁文章
扫一扫
45万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
