手把手带你搭建推荐系统
黄鸿波
谷歌开发者专家,知名游戏公司技术专家
3441 人已学习
新⼈⾸单¥59
登录后,你可以任选4讲全文学习
课程目录
已完结/共 36 讲
手把手带你搭建推荐系统
15
15
1.0x
00:00/00:00
登录|注册

20|Embedding:深入挖掘用户底层特征

你好,我是黄鸿波。
上节课我们讲解了基于协同过滤的召回算法,本节课我们来介绍另外一种召回算法:基于 Embedding 的召回。
我把这节课分成了以下三个部分。
什么是基于 Embedding 的召回。
基于 Embedding 的召回算法都有哪几种。
DSSM 模型。

基于 Embedding 的召回

协同过滤算法是从内容和用户的角度出发,根据用户的历史行为来进行内容推荐。在基于用户的协同过滤中,会认为与用户历史记录相似的其他用户对同一商品也可能感兴趣。而在基于 Item 的协同过滤中,则会考虑内容之间的相似度以及用户和内容之间的关系,从而计算出用户可能喜欢的内容进行推荐。但不管怎么样,这些内容实际上都是基于关系进行推荐的,并不关心内容的文本语义。
基于 Embedding 的算法与协同过滤最大的区别在于,它是从内容文本信息和用户查询的角度出发,利用预训练的词向量模型和深度学习模型,将文本信息转换成向量进行表示,通过计算两个向量之间的距离或者相似度来推荐内容。这种方式主要考虑商品文本信息的语义信息,使推荐的内容更加精准。
我来通过一个小例子说明下基于 Embedding 的召回是如何工作的。
假设我们要构建一个商品推荐系统,用户在平台上浏览了几个商品,比如一双运动鞋、一件 T 恤和一条牛仔裤。系统基于这些商品信息构建商品的 Embedding 向量表示,以及用户的 Embedding 向量表示。然后计算用户 Embedding 向量与所有商品 Embedding 向量之间的相似度,选取相似度最高的商品进行推荐。
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
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
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结

基于Embedding的召回算法是推荐系统中的重要算法之一,与传统的协同过滤算法有着显著区别。该算法利用预训练的词向量模型和深度学习模型,将内容文本信息和用户查询转换成向量表示,实现更精准的内容推荐。在召回算法中,最核心的是I2I和U2I,即Item-to-Item和User-to-Item。通过分析用户历史行为、个人信息和社交网络等,可以实现对候选物品的筛选和推荐。DSSM模型是一种经典的基于U2I的召回模型,通过User塔和Item塔对用户兴趣进行建模,并产生个性化推荐结果。总体而言,基于Embedding的召回算法具有扩展性强、表达能力强和可解释性等优点,但也存在着需要大量数据、训练周期长和只能表达物品或用户之间的关系等缺点。文章还提到了基于YouTubeDNN的召回方法,展望了推荐系统领域的发展方向。

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
《手把手带你搭建推荐系统》
新⼈⾸单¥59
立即购买
登录 后留言

全部留言(4)

  • 最新
  • 精选
  • 19984598515
    老师你好,请问完整源码什么时候放出呢

    作者回复: https://github.com/ipeaking/recommendation https://github.com/ipeaking/scrapy_sina

    2023-05-31归属地:贵州
    2
    2
  • Geek_40f5b6
    老师你好,“User 塔在线计算 User Embedding”是在推荐服务上进行计算吗,还是说会有一个单独的计算服务,为推荐服务提供计算结果

    作者回复: “User 塔在线计算 User Embedding”这个术语在推荐系统中通常指的是在推荐服务上进行计算,而不是一个单独的计算服务。推荐系统中的用户嵌入(User Embedding)是通过对用户的历史行为、个人特征等进行计算,将用户映射到低维度的向量空间。用户嵌入是推荐系统中关键的特征表示之一,可以用于计算用户之间的相似度、生成个性化推荐等任务。 在推荐服务中,用户嵌入是根据用户的历史行为数据实时计算得到的。推荐系统通常会有一个用户嵌入模型,该模型会接收用户的历史行为数据作为输入,经过模型计算和训练得到用户的嵌入向量。推荐服务会通过调用该用户嵌入模型,在线计算用户的嵌入向量并返回给推荐系统进行后续的推荐计算。 所以,一般来说,“User 塔在线计算 User Embedding”是指在推荐服务上进行计算,以为推荐服务提供计算结果来实现个性化推荐等功能。

    2023-06-01归属地:北京
  • 爱极客
    用户Enbeding和商品Enbeding可以直接求相似度吗?

    作者回复: 一般需要连接在一起,组成一个大的embedding,然后求相似度

    2023-05-31归属地:广东
  • 悟尘
    最近这几个章节没有代码实验吗?
    2023-12-14归属地:北京
收起评论
显示
设置
留言
4
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部