TianduAI

一种简单优雅的实现方法

余弦相似度计算公式

$ cos(\vec x,\vec y)=\frac{<\vec x,\vec y>}{|\vec x| |\vec y|} $

最直观实现方式

设user_side_representation与item_side_representation的shape=[None, 4]，其中None表示batch_size，4表示embedding_size。

计算user_side_representation与item_side_representation两者的cosine similarity最直观的实现方式为：
1）求user_side_representation与item_side_representation的内积inner_product;
2）分别计算user_side_representation与item_side_representation的L2-norm，norm_user与norm_item;
3）计算inner_product / (norm_user*norm_item)

本文适用于以下场景（假定model中含有复杂的custom loss function）：

• load已训练完成的model，进行infer
• 模型滚动更新：加载旧模型，在旧模型的基础上进行增量训练得到新模型

运行环境

• Tensorflow2.0.0

Deep Neural Networks for YouTube Recommendations论文阅读

推荐YouTube videos的挑战主要来自三个方面：

• scale

  需要将推荐算法应用在极大规模场景下

• freshness

  每秒都有新视频上传。推荐系统应该也要对这些新视频做出足够的响应

• noise

  因为稀疏性和一系列无法被观察到的外部因素，历史用户行为很难被预测。很难有刻画用户满意度的ground truth，所以模型是对含有噪音的隐式反馈信息建模。所以算法应该要对训练数据集中的这些特征具有鲁棒性。