答疑 | 线上服务篇留言问题详解
王喆
该思维导图由 AI 生成，仅供参考
你好，我是王喆。
今天是专栏的第二次答疑加餐时间，第一次答疑我已经对基础篇和特征工程篇中常见的问题进行了解答，所以这节课我们重点来看看线上服务篇中很有代表性的课后思考题和留言问题，我会对它们进行一些补充回答，希望对你有帮助。
关于项目的开源精神
在开始回答问题之前，我想先跟你聊一聊我们 SparrowRecsys 项目的开源精神。在课程一开始我就说过，SparrowRecsys 这个项目是我们的一个种子项目，它肯定不完美，但我希望它是一个工业级推荐系统的雏形。在学习的过程中，我希望能够跟你一起完善它，让它的羽翼逐渐丰满起来。
让我很高兴的是，已经有不少同学投身到改进 SparrowRecsys 的队伍中来，比如 GitHub ID 叫dxzmpk的同学添加了Node2vec 模型的代码，还有 GitHub ID 叫 jason-wang1 的同学添加了多路召回多线程版本的代码，还有更多的同学修改了项目中的 Bug，优化了一些实现，感谢你们的投入！
我是开源精神的坚定拥护者，我也相信在我们的共同努力下，SparrowRecsys 未来能够发展成为在业界有影响力的开源项目。所以在这里我呼吁同学们能够多参与进来，多提 Pull Request，让我们共同成为项目的第一批原作者。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
本文详细解答了关于线上服务篇留言问题的技术要点。作者首先强调了SparrowRecsys项目的开源精神，并呼吁读者积极参与项目的完善。接着，作者针对深度学习网络结构和模型深度的选择进行了详细解答，强调了影响深度学习网络结构的因素和模型深度选择的重要性。此外，作者还对负载均衡服务器的策略设计、缓存策略以及推荐系统中的冷启动策略进行了深入讨论，为读者提供了丰富的技术知识和实践经验。文章内容涵盖了推荐系统领域的多个关键问题，对于想要深入了解线上服务篇留言问题的读者具有很高的参考价值。同时，作者还就具体问题进行了解答，包括用户的多兴趣标签与物品标签的最优匹配、解决EGES训练慢的问题以及物品Embedding后用户Embedding的生成等，为读者提供了实用的解决方案和建议。整体而言，本文内容涵盖了推荐系统领域的多个关键问题，对于想要深入了解线上服务篇留言问题的读者具有很高的参考价值。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《深度学习推荐系统实战》，新⼈⾸单¥68
《深度学习推荐系统实战》，新⼈⾸单¥68
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(5)
- 最新
- 精选
Sam老师，您好！我推荐系统小白，已把老师的课程学了一半，获益不浅，代码都很周到，这里我想问一下新手问题，我看见系统中涉及几种语言，例如 java scala python ，想问大厂面试手写算法题时，是需要什么语言的？作者回复: 不会要求你用什么特定语言，只要你把算法题解清楚。
2020-12-2823- 疾风广告场景，如果是增量训练，增量生成训练样本的时候，每次采样比例不一样，那线上ctr怎么做校正呢？
作者回复: 你感觉怎么做校正比较好？有什么备选方案吗？
2020-12-212 - 疾风请问，特征线上线下一致性怎么检验呀
作者回复: 这问题问的，连个上下文都没有。
2020-12-211 
JohnH老师您好，请问针对用户和物品的Embedding不在同一个向量空间中这个问题，我们是否可以使用迁移学习的方法，例如Subspace Alignment去做呢？2022-11-01归属地：美国
loode_请问node2vec采样的时候，为什么生成序列时第一个采样的样本跟后面的样本采样方式不一样？ 下面的代码是node2vec中的，按照这种采样方式prob越小，越容易被采样？请问为什么要这么做呢？： breakable { for ((item, prob) <- probDistributionNew) { if (randomDouble >= prob){ curElement = item break } }} }2021-03-20
收起评论