由于我最近把GRU用到推荐系统中后感觉效果并不好,所以带着问题读的文章,写的也比较简单,各位见谅啦~
其实这篇文章我个人觉得写的真的有点confusing,在符号的应用上和主流不太一样,导致看的时候感觉不是很舒服
摘要
主要关注context的用法,采用了RNN-based 方法,然后引入latent cross把context特征融合进来。
各种算法的比较:
DNN缺陷(一阶算子)
虽然它可以拟合任意函数,但是和CF类算法还是有区别。通过特征之间的点乘,CF类算法可以学到low-rank关联,因此这一部分就做了一个实验来验证这种first-order神经元是否能完美学习这类low-rank关联。
结果如下图,r代表矩阵data的秩,m代表m个特征。结果是网络层数越多,拟合的越好,但是效率肯定不高。
Youtube RNN 推荐算法
对于user i在时刻t之前的观看历史,其中j为video, t为时间,Xi是用户i看的所有视频
用 e ( τ ) e^{(\tau)} e(τ)表示第 τ \tau τ个event(就是视频), y ( τ ) y^{(\tau)} y(τ)表示此时的label,ψ(j)是上传者,网络就是要预测 j+1
网络的输入如下,第一项是vi