作者信息:纪厚业,北京邮电大学博士生,关注异质图神经网络及其应用
知乎专栏对公式支持较好, 见 https://zhuanlan.zhihu.com/c_1158788280744173568
个人公众号 图与推荐
前言
推荐系统尤其是深度推荐系统已经在工业界得到了广泛应用,尤其是在电商场景下(如淘宝和京东的商品推荐)。一个好的工业级推荐系统可以推动业务增长带来大量的经济效益。那么,工业级推荐系统的最佳实践是怎样的呢? Facebook的推荐团队在本文给出了他们的答案。
本文详细介绍了Facebook最新的推荐系统实践包括特征处理、算法建模、代码实现和平台介绍。如此详细清楚的论文可以说是工业界推荐系统的必读论文之一。作者也开源了代码和最优超参数供大家学习(https://github.com/facebookresearch/dlrm)。
模型架构
本文所设计的推荐系统架构如Fig 1所示。整个模型主要包含:特征工程(包含spare和dense特征),用于特征建模Embedding 和Embedding Lookup,用于特征转换的NNs,用于特征交互的Interactions以及最后的预测NNs。
特征表示Embedding
在实际的推荐场景中,用户和商品通常都有丰富的特征信息。用户的特征通常用性别