【面经&八股】搜广推方向:常见面试题(二)
文章目录
- 【面经&八股】搜广推方向:常见面试题(二)
-
- 1. FTRL 是什么?(Follow The Regularized Leader)
- 2. 梯度下降方法
- 3. 推荐系统中常见的Embedding方法有哪些?
- 4. Embedding与推荐系统有哪些结合
- 5. FM 和 FFM
- 6. FNN
- 7. 深度学习推荐模型
- 8. RNN、LSTM、GRU、Transformer
- 9. 特征筛选方法。
- 10. 推荐系统的特征工程有哪些?怎么做
- 11. Transformer细节:Scaled Dot-Product Attention为什么要缩放?(两点)Position Embedding 是如何实现的?为什么要使用 Multi-head 多头注意力?
1. FTRL 是什么?(Follow The Regularized Leader)
FTRL是一种参数更新的优化算法,该算法保证了模型的稀疏度与精度。
- 在推荐场景中,FTRL 常用于 LR 模型的实时更新上。
- FTRL 的提出是为了解决:在实时更新中,单个(少量)样本对模型的更新容易使模型丧失稀疏性(模型稀疏性衡量的是,模型参数为0个数的多少),(LR + L1正则化很难解决这个问题)。
- FTRL的本质是参数截取,即某一条件下直接使权重参数置为0。
2. 梯度下降方法
从普通梯度下降来讲,采用:学习率*梯度 的方式进行权重的增量更新,很容易使模型优化停留在局部最优解。于是产生了基于动量的梯度下降,基本思路是将历史梯度值添加到增量更新的计算中,使模型在陷入局部最优解时更有可能跳出来。
- 自适应梯度算法(Adagrad)的梯度更新公式表达的是,对于梯度更新得越多,将要更新的越少。这使稀疏的特征将会