推荐系统遇上深度学习(四)--多值离散特征的embedding解决方案
1、背景 在本系列第三篇文章中，在处理DeepFM数据时，由于每一个离散特征只有一个取值，因此我们在处理的过程中，将原始数据处理成了两个文件，一个记录特征的索引，一个记录了特征的值，而每一列，则代表一个离散特征。 但假如，我们某一个离散特征有多个取值呢？举个例子来说，每个人喜欢的NBA球队，有的人可能喜欢火箭和湖人，有的人可能只喜欢勇士，也有的人喜欢骑士、绿军、猛龙等一大堆。对于这种特征，我们本....
阿里深度学习的“金刚钻”——千亿特征XNN算法及其落地实践
摘要：随着十二点的钟声响起，无数人盯着购物车开启了一年一度的“剁手”之旅。可你有没有想过这购物狂欢的背后是什么支撑起了数据规模如此庞大的计算任务？其实不只是“双十一”，每一个用户的点击和浏览，每一件宝贝的排序和推荐，还有贴心的“猜你喜欢”，在这背后“操控”一切的“手”又是什么？本文将带领大家一探究竟。 本期直播精彩回顾，戳这里！ 演讲嘉宾简介： 范朝盛（花名：朝圣），阿里巴巴搜索事业...
深度学习笔记之关于特征（二）
四、关于特征 特征是机器学习系统的原材料，对最终模型的影响是毋庸置疑的。如果数据被很好的表达成了特征，通常线性模型就能达到满意的精度。那对于特征，我们需要考虑什么呢？ 4.1、特征表示的粒度 学习算法在一个什么粒度上的特征表...
《中国人工智能学会通讯》——11.76 基于深度学习的特征表示模型
11.76 基于深度学习的特征表示模型 随着数据规模不断增大，深度学习在大数据分析中扮演着越来越重要的角色。图 5 显示了数据规模与性能之间的关系，传统学习算法在数据规模达到一定时性能几乎不再增加，而深度学习算法的性能会随着数据规模增加而增加。通过深度学习进行特征表示学习已经成为了机器学习和数据挖掘社区的一个快速突起的方法，并已经在许多领域获得成功，如计算机视觉、语音识别和自然语言处理等。蒙特利....
《中国人工智能学会通讯》——2.18 深度学习算法的计算与访存特征
2.18 深度学习算法的计算与访存特征 图 1 是一个用于手写识别的深度卷积神经元网络 LeNet5 [6] ，以此为例讨论深度学习算法的计算特征。在 LeNet5 中，包括了卷积层 C1、C3、C5 和Subsampling 层 S2、S4，以及全连接层 F6。其中卷积层是最为费时的操作。 对 于 有 R 个 输 入 feature map 和 Q 个 输 出feature map 的卷积层.....
中国人工智能学会通讯——深度学习与推荐系统 1.2 基于特征的推荐 (Feature-based Recommendation)
1.2 基于特征的推荐 (Feature-based Recommendation) 协同过滤只考虑用户与物品的交互历史，本质上是用ID表示一个用户或物品。基于特征的推荐方法旨在融合各种其他辅助信息，以提高推荐的准确度。该类算法将用户(ID及其属性)、物品(ID及其属性)和上下文信息统一表示为特性向量作为输入，用于预测目标评分值。图3为一个输入数据表示的实例。 在将数据表示为特征向量到目标值的.....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
智能引擎技术
AI Online Serving，阿里巴巴集团搜推广算法与工程技术的大本营，大数据深度学习时代的创新主场。
+关注