![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐
文章平均质量分 86
Riccca
这个作者很懒,什么都没留下…
展开
-
task5 DIN
之前的模型局限在个性化广告点击预测任务中存在的问题就是无法表达用户广泛的兴趣,因为这些模型在得到各个特征的embedding之后,就蛮力拼接了,然后就各种交叉等。这时候根本没有考虑之前用户历史行为商品具体是什么,究竟用户历史行为中的哪个会对当前的点击预测带来积极的作用。DIN模型结构及原理DIN模型的创新点或者解决的问题是使用了注意力机制来对用户的兴趣动态模拟, 模拟过程存在的前提是用户之前有大量的历史行为。特征表示经过编码后的特征数据,没有任何交互组合,没有做特征交叉。基线模型Embed原创 2021-03-28 01:13:15 · 137 阅读 · 0 评论 -
Task4 NFM
NFM模型局限传统的FM模型仅局限于线性表达和二阶交互,作者提出一种将FM融合进DNN的策略,组合了FM的建模低阶特征交互能力和DNN学习高阶特征交互和非线性的能力,形成了深度学习时代的神经FM模型(NFM)y^NFM(x)=w0+∑i=1nwixi+f(x) \hat{y}{N F M}(\mathbf{x})=w{0}+\sum_{i=1}^{n} w_{i} x_{i}+f(\mathbf{x}) y^NFM(x)=w0+i=1∑nwixi+f(x)改进的思路就是用一个表达能力更强的函原创 2021-03-25 01:36:59 · 101 阅读 · 0 评论 -
DeepRecommendationModel task3
对于CTR问题,最有效的提升任务表现的策略是特征组合(Feature Interaction)其他方法的局限:DNN :由于离散特征需要使用one-hot编码处理,会导致维度猛增,可以将OneHot特征转换为Dense Vector。通过增加全连接层可以实现高阶的特征组合,但是仍然缺少低阶的特征组合FNN 和PNN结合FM和DNN两种模型,得到FNN在FNN中加入一个product(做内积或外积)模块,得到PNNWide & DeepFNN和PNN仍然对于低阶组合特征学原创 2021-03-22 01:50:55 · 94 阅读 · 0 评论 -
DeepRecommendationModel task1 and task2
task 1 DeepCrossing把深度学习的框架应用于推荐系统中输入:特征向量输出:0/1分类deepcrossing分为四层 : embedding layer ,stacking layer, Multiple Residual Units Layer,Scoring LayerEmbedding Layer将稀疏的类别型特征转成稠密的Embedding向量,即对one-hot向量做embeddingStacking Layer将embedding特征和数值型特征拼接在一起原创 2021-03-17 01:19:23 · 98 阅读 · 0 评论