20｜Embedding：深入挖掘用户底层特征
基于 Embedding 的召回
荧光笔
直线
曲线- 深入了解
- 翻译
- 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。
《手把手带你搭建推荐系统》，新⼈⾸单¥59
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22 - 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
