学习心得
- 通过task1的学习在脑海里建立DL背景的推荐系统架构:为了解决【在“信息过载”情况下,用户怎么高效获取感兴趣的信息】的问题,并且构建更好的拟合数据和表达能力的模型,深度学习上场了。其中DL推荐模型 = 召回层 + 排序层 + 补充策略与算法层 ,这里的模型指模型服务过程。
- 推荐系统的逻辑架构:对于某个用户U(User),在特定场景C(Context)下,针对海量的“物品”构建一个函数 ,预测用户对特定候选物品I(Item)的喜好程度的过程。
- 深度学习中 Embedding 技术在召回层的应用,做相关物品的快速召回,已经是业界非常主流的解决方案。排序层(也称精排层)是影响推荐效果的重中之重,也是深度学习模型大展拳脚的领域,因为深度学习模型灵活性高,表达能力强(因此非常适合于大数据量下的精确排序)。
PS:深度学习的发展,也推动着推荐系统数据流部分的革命(就是平时说的大数据开发岗了),让它能够更快、更强地处理推荐系统相关的数据。
回顾:
</