FM为什么能筛选出重要的嵌入向量？

  • 如何从梯度下降更新参数的角度理解？GB。梯度衡量的是各个参数对损失函数贡献的大小。经过迭代，重要特征的权重自然比较大。

冷启动问题

参考《深度学习推荐系统》159页。

  • 利用现有数据
    • 热门推荐。
    • 规则推荐：利用静态特征做规则。用户的性别、年龄、位置等。商品的名称、价格、详情、标签等。
    • 模型推荐：利用静态特征。
  • 扩展现有数据
    • 聚类：定义group特征，包括行为特征和静态特征；利用相似用户或物品的特征。
    • 数据迁移：从别的APP、数据商获取有用的数据。
    • 探索：将少量内容试探性的推荐给用户，根据反馈完善静态特征和行为特征。
    • 鼓励用户完善信息。

如果用一个月的数据训练deepFm模型，那超过一个月不活跃的用户embedding怎么处理？

  • xh：定义group_id，group_id的缺失率会远小于user_id，并且包含很多有用信息。
  • gb：还有其它特征顶着，例如用户性别emb、买过商品emb等。只要大部分重要特征都有值，对预测得分的影响就不大。