推荐系统之内容召回2——基于行为的

以短视频推荐为例

根据上表分析出的各类视频量对的关系不难得到：

similiar（P-L）很小 similiar（N-L）很大，juci，构建损失函数：

从用户样本中随机抽取1个Love样本，s个不Negative样本，s个Positive演变嫩。样本相似度去向量内积<V_N·V_P>

S（P，L） = 1/（1+e^-<V_P·V_L>）

S（N，L） = 1/（1+e^-<V_N·V_L>）

LOSS =  -∑[1/（1+e^-<V_P·V_L>）]+ ∑[1/（1+e^-<V_N·V_L>）]

一个人的行为可以产生多条行为样本：

由此，我们能得到

L =

User1:Loss1+Loss2+Loss3...

+

User2:Loss4+Loss5+Loss6...

+

User3:Loss7+Loss8+Loss9...

+

...

优化

1. 用户行为的数据存爱噪声
   • 对于点击狂魔，降低点击次数
   • 超热门item，降低采样次数（正样本），提升采样次数（负样本）
2. 损失函数从形式上可以优化的更统一
   • 　　LOSS =  - ∑[1/（1+e^-<V_P·V_L>）] +  ∑[1/（1+e^-<V_N·V_L>）] ---->简化前
   •        LOSS =    ∑[1/（1+e^<V_P·V_L>）] +  ∑[1/（1+e^-<V_N·V_L>）]  ---->简化后
   • 　　这样做是为了后面学习Airbnb论文
3. 向量空间优化
   • 　　L、N、P三个向量取自三个不同的向量空间，各自embedding
   • 

   •  

     因为用户的行为中，Love类样本信息反映最为准确，所以对应出来的向量最有价值。正负样本的采样只在训练时使用。 

4.推荐系统之内容召回1——基于行为的

原文：https://www.cnblogs.com/gl0520/p/14767982.html