推荐问题中ID类特征的处理办法

什么是id类特征

举腾讯2020年的广告大赛为例子

如上图所示：原始数据经过脱敏之后是一些id数字类的特征，这些每一个creative_id代表一种广告，若将id类特征onehot之后将会得到很大的类矩阵，接近300万维，这是不可能做后续工作的。因此需要通过id2embedding方法将id类特征变成低维稠密的embedding向量。

onehot

非正常人做法QAQ

tfidf

首先什么是tfidf:
词频 (term frequency, TF) 指的是某一个给定的词语在该文件中出现的次数。这个数字通常会被归一化(一般是词频除以文章总词数), 以防止它偏向长的文件。（同一个词语在长文件里可能会比短文件有更高的词频，而不管该词语重要与否。）
$$t{f}_{w,i}=\frac{文本i中词w出现的次数}{文本i中所有词的个数}$$