Deep Learning與推薦系統:Google Play經典的Wide&Deep Network及其他深度推薦算法整理

推薦系統是機器學習的重要應用之一,Google提出Wide&Deep Learning是近幾年Deep Learning在推薦系統應用上的一個方法。所謂的Wide&Deep的意思是前者負責做Memorization後者做Generalization

簡單來說,假設現在是要做一個食物推薦的App,今天如果使用者輸入fried chicken而我們推薦的chicken fried rice被使用者買單,而chicken and waffle使用者不愛,我們會希望把這一個配對記下來如下圖:

Wide(Memorization):

我們的系統首先利用這樣的Wide Network中的Weight來記錄每個配對被使用者喜好的程度(+表示喜歡、-表示不喜歡)

久了以後,使用者厭倦死板的推薦,想要探索一些和他從前喜歡的東西類似的商品。這時候就需要用Deep Network來將商品映射到高維的Embedding Space,並在這個空間中找尋跟使用者之前喜歡最相近的商品,如下圖

Deep(Generalization)

舉例來說,喜歡fried chicken和burger在Embedding Space很接近,因此推薦Burger使用者可能也會喜歡

把這兩種Network的概念結合在一起訓練後的模型就會學到要如何在這兩種不同需求中取得平衡。經過online experiment發現這種架構能提升Google Play推薦App的成效,而此架構也被包在TensorFlow的API之中,更多細節請參考:

最後附上一篇整理得不錯的中文文章,整理了目前Deep Learning在推薦上的發展。開頭會先簡介推薦系統,再介紹推薦如何結合Embedding Models、Denoising Autoencoders、RNN等等。最後作者指出,整體而言相關研究仍在初步的階段,因此也提供了許多未來的研究方向。

Share the joy
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  

近期文章

近期迴響

彙整

分類

其它

leoyang Written by:

Be First to Comment

發表迴響

你的電子郵件位址並不會被公開。 必要欄位標記為 *