推薦系統中嵌入向量維數選擇
《AutoEmb: Automated Embedding Dimensionality Search in Streaming Recommendations》論文閱讀筆記
- 背景:
基於深度學習的推薦系統,能夠有效獲得使用者專案之間的非線性關係,並學
習他們的特徵。主要由三部分組成:
(1) 嵌入層:將使用者專案特徵從高維空間對映到低維空間中;
(2) 隱藏層:對輸入特徵進行非線性變換;
(3) 輸出層:基於特徵進行預測 - 已有研究:
為使用者,專案嵌入向量預定義一個固定統一的維數。重點關注隱藏層和輸出層。 - 存在問題:
(1) 實際中存在大量使用者,專案,並且流行度會動態變化,因此嵌入向量大小的選擇是RS中的問題。
(2) 對於第一個隱藏層,很難處理嵌入層的不同維數。 - 本文:
基於AutoML的端到端框架,以一種自動動態變化的方式根據流行度改變嵌入向量的維數。
- 詳細:
規模小使用短的嵌入向量,隨著規模的增加,使用長的嵌入向量。
基本的處理方法:將不同的嵌入維數轉換為相同的(使用全連線層),轉換以後的嵌入向量變化很大(使用BatchNorm),最終RS只需要選擇(軟,加權)一部分轉換以後的嵌入向量進行預測。
嵌入向量大小的選擇:使用AutoML
輸入:當前使用者/專案流行度 + 上下文資訊(如先前的超引數,損失等);
輸出:經過softmax函式,選擇第n個嵌入空間的概率。
相關文章
- 選擇合適的推薦系統模型模型
- 企業如何選擇合適的CRM系統 CRM系統推薦
- CRM系統選擇的五個標準及推薦
- 推薦!企業選擇好用的CRM系統的要素(上)
- 如何選擇CRM系統?值得推薦的CRM系統需要擁有什麼功能?
- css選擇器常用命名推薦CSS
- 推薦系統
- 【推薦系統篇】--推薦系統之訓練模型模型
- 編輯推薦之《推薦系統》
- 推薦 15 個 jQuery 選擇框外掛jQuery
- 【推薦系統篇】--推薦系統之測試資料
- 《推薦系統學習》之推薦系統那點事
- 推薦系統概述
- 機器學習 — 推薦系統機器學習
- 《推薦系統實踐》筆記 01 推薦系統簡介筆記
- 推薦系統中的常用演算法演算法
- 關於推薦系統中的特徵工程特徵工程
- 分散式機器學習框架與高維實時推薦系統分散式機器學習框架
- 論推薦系統如何改造和奴役你的思維
- 推薦系統論文之序列推薦:KERL
- 推薦系統: 相關推薦方法對比
- 推薦系統一——深入理解YouTube推薦系統演算法演算法
- 【推薦系統篇】--推薦系統介紹和基本架構流程架構
- 智慧數字經營系統怎麼選擇?
- 《推薦系統》-DIN模型模型
- 《推薦系統》-PNN模型模型
- python 推薦系統Python
- 推薦系統雜談
- 推薦系統評估
- 推薦:看板系統Trello
- 圖靈推薦系統圖靈
- 推薦系統概念篇
- AutoML 在推薦系統中的應用TOML
- 雲音樂推薦系統(二):推薦系統的核心演算法演算法
- 蘋果簽名推薦,如何選擇蘋果簽名者蘋果
- Mahout的taste推薦系統引擎(影片推薦案例)AST
- 如何選擇版本控制系統——為什麼選擇Git版本控制系統Git
- RecSysOps:奈飛運維大型推薦系統的最佳實踐運維