3.1 现有排序框架介绍

美团点评作为国内最大年夜的生活办事平台，营业种类涉及食、住、行、玩、乐等范畴，致力于让大年夜家吃得更好，活得更好，稀有亿用户以及丰富的用户行动。跟着营业的飞速成长，美团点评的用户和商户数在快速增长。在如许的背景下，经由过程对推荐算法的优化，可以更好的给用户供给感兴趣的内容，帮用户更快速便利的┞芬到所求。我们目标是根据用户的兴趣及行动，向用户推荐感兴趣的内容，打造一个高精准性、高丰富度且让用户认为欣喜的推荐体系。为了达到这个目标，我们在一向的测验测验将新的算法、新的技巧进惹人到现有的框架中。

1. 引言

到今朝为止，点评推荐排序体系测验测验了多种线性、非线性、混淆模型等机械进修办法，如逻辑回归、GBDT、GBDT+LR等。经由过程线上实验发明，相较于线性模型，传统的非线性模型如GBDT，并不必定能在线上AB测试环节对CTR预估有比脚绫趋显的进步。而线性模型如逻辑回归，因为自身非线性表示才能比较弱，无法对真实生活中的非线性场景进行区分，会经常对汗青数据中出现过的数据过度记忆。下图就是线性模型根据记忆将一些汗青点击过的单子排在前面：

机械进修的另一个核心范畴就是特点工程，包含数据预处理，特点提取，特点选择等。

大年夜图中我们可以看到，体系在异常靠前的地位推荐了一些远距离的商户，因为这些商户曾经被用户点过，其本身点击率较高，那么就很轻易被体系再次推荐出来。但这种推荐并没有浇忧⒈前场景给用户推荐出一些有新鲜性的Item。为懂得决这个问题，就须要推敲更多、更复杂的特点，比如组合特点来替代简单的“距离”特点。怎么去定义、组合特点，这个过程成本很高，并且更多地依附于人工经验。

而深度神经收集，可以经由过程低维密集的特点，进修到以前没出现过的一些Item和特点之间的关系，并且比拟于线性模型大年夜幅降低了对于特点工程的需求，大年夜而吸引我们进行摸索研究。

在实际的应用傍边，我们根据Google在2016年提出的Wide & Deep Learning模型，并结合自身营业的需求与特点，将线性模型组件和深度神经收集进行融合，形成了在一个模型中实现记忆和泛化的宽深度进修框架。在接下来的┞仿节中，将会评论辩论若何进行样本筛选、特点处理、深度进修算法实现等。

 3/10   首页 上一页 1 2 3 4 5 6 下一页 尾页

　　推荐阅读

　　特斯拉Model 3驾驶初体验：它会改变一切

自成立之日起，特斯拉电动汽车公司就承诺要推出一款大年夜众型电动汽车。美国本地时光7月28日，这款汽车终于面世。在位于加州的工厂中，特斯拉向首批30位买家交付了Model 3。美国主流收集>>>详细阅读

本文标题：深度学习在美团点评推荐平台排序中的运用

地址：http://www.17bianji.com/lsqh/36483.html

 1/2    1