课程咨询: 400-996-5531 / 投诉建议: 400-111-8989
认真做教育 专心促就业
个性化推荐是大数据技术发展起来之后的主要应用表现形式之一,而今天我们就通过案例分析来了解一下,关于个性化推荐的原理都有哪些。
一、排序特征
排序特征在排序的效果中起到了非常重要的作用,天猫页推荐系统排序模型的特征可以抽象为五类:
UserProfileFeatures:用户侧的基础特征,如用户的性别、年龄、城市、购买力等。
ItemFeatures:商品侧的特征,如商品ID、类目ID、店铺ID、标签等。
ContextFeatures:上下文特征,如match_type、位置、页码等。
CrossFeatures:交叉特征,如用户侧特征与商品侧特征的交叉等。
SequenceItemFeatures:用户对商品的行为特征,如用户点击的商品序列、点击的类目序列及相应的PositionalBias。
二、排序样本
排序样本的选取也会影响排序模型的效果。排序的样本来自于场景产生的曝光和点击日志,对场景日志进行有效的清洗去噪,准实时计算场景活跃用户、黑名单用户,保留对场景有感知的部分用户,过滤数据中混杂的刷单爬虫等作弊行为数据,过滤大促0点下单和红包雨等异常时段用户的非正常行为日志等对提升模型效果有一定的帮助。
三、Deep排序模型
Google提出的WDL模型奠定了目前Deep排序模型的基本框架。
DeepFM/PNN/DCN/DeepResNet等模型把传统离散LR中特征工程的经验搬到DL中来,用人工构建的代数式先验来帮助模型建立对某种认知模式的预设,帮助模型更好的建模。DIN等模型引入了用户行为数据,通过Attention来捕捉了用户兴趣的多样性以及与预测目标的局部相关性,对大规模离散用户行为数据的进行建模。
四、BST
类似DeepFM/PNN/DCN/DeepResNet等模型更多的在探索如何更好的利用idfeatures和biasfeatures去逼近idfeatures和biasfeatures所能达到的模型上限,很少探索如何有效利用seqfeatures;DIN等模型在这些模型的基础上进行seqfeatures建模的探索,其用打分item对seqfeatures做attention后对其进行weightedsumpooling,虽然可以很好地表达打分item和用户行为序列的相关性,但不能抽象用户行为序列内部的相关性。
【免责声明】:本内容转载于网络,转载目的在于传递信息。文章内容为作者个人意见,本平台对文中陈述、观点保持中立,不对所包含内容的准确性、可靠性与完整性提供形式地保证。请读者仅作参考。