Tag: deep-recommendation-models
-
【AI 核心深度 M7-061】解释 DIN（深度兴趣网络）的注意力机制（Explain the Architecture and Target-Aware Attention Mechanism of Deep Interest Network (DIN)）深度数理推导与工程落地解析
用’候选物品’作为 query 对用户历史行为做注意力（而非固定池化），使用户表示’随候选物品变化’。
-
【AI 核心深度 M7-062】解释 MMoE 与多任务学习在推荐中的应用（Explain Multi-gate Mixture-of-Experts (MMoE) and Multi-Task Learning Architectures in Recommendation Systems）深度数理推导与工程落地解析
用多个专家 + 门控为每个任务生成不同的’专家组合’；缓解任务冲突（相比共享底层的硬参数共享）。
-
【AI 核心深度 M7-063】解释 ESMM 解决样本选择偏差（SSB）的思路（Explain How the Entire Space Multi-Task Model (ESMM) Eliminates Sample Selection Bias (SSB) and Data Sparsity in CVR）深度数理推导与工程落地解析
CTR 与 CVR 的样本空间不同（CVR 只在点击样本上训练）；ESMM 在全样本空间建模 ‘pCTCVR = pCTR × pCVR’，用 CTCVR 的标签训练。
-
【AI 核心深度 M7-064】解释推荐中的特征与嵌入设计要点（Explain Key Principles of Feature Engineering and Embedding Design in Deep Recommendation）深度数理推导与工程落地解析
嵌入维度按基数定（基数^0.25）；高频特征需更强正则；连续特征分桶；共享嵌入；注意’特征穿越’与’多值特征’。
-
【AI 核心深度 M7-065】解释深度推荐中的长序列建模与两阶段检索（SIM）（Explain Long-Sequence User Behavior Modeling and Two-Stage Search-Based Interest Networks (SIM)）深度数理推导与工程落地解析
用户历史可达数千条，注意力成本 ∝ 序列长度；SIM 先用’通用兴趣’粗筛 top-k、再精算注意力。
-
【AI 核心深度 M7-059】解释 Wide&Deep 的结构与动机（Explain the Architecture, Memorization versus Generalization Trade-Off, and Joint Training of Wide&Deep）深度数理推导与工程落地解析
Wide 部分（线性交叉特征）捕捉记忆（’共现’）；Deep 部分（MLP）捕捉泛化（’相似性’）；联合训练。
-
【AI 核心深度 M7-060】解释 DeepFM 相比 Wide&Deep 的改进（Explain the Architectural Upgrades of DeepFM over Wide&Deep: Automatic 2nd-Order Crosses and Shared Embeddings）深度数理推导与工程落地解析
用 FM 替代 Wide 部分的’手工交叉特征’，自动学二阶交叉；FM 与 Deep 共享嵌入，端到端训练。