如何讓推薦系統效果更好微信看一看團隊TF引入動態Embedding元件

2021-06-22 15:29:27

推薦系統是機器學習的一大主要應用，旨在根據使用者偏好推送相關內容，比如推薦電影餐廳、搭配時裝首飾或篩選媒體資訊流等。近年來，隨著RNN等諸多深度學習（DL）元件和線上學習策略被引入推薦系統，DiFacto等特定的推薦系統框架逐漸無法滿足使用者需求。基於此，越來越多的演算法工程師轉向使用TensorFlow等開源的通用型框架提升生產效率。在推薦系統領域，Embedding 已成為處理 ID 類稀疏特徵的常用手段。作為一種「函數對映」，Embedding通常將高維稀疏特徵對映為低維稠密向量，再進行模型端到端訓練。2020年，谷歌推出了TensorFlow Recommenders (TFRS)，這款開源的TensorFlow軟體包可用於簡化構建、評估和應用複雜的推薦模型。但TFRS的靜態Embedding機制存在不支援動態特徵、難以支援線上學習等弊端。因此，今年4月，在綜合工業界長期探索的基礎上，TensorFlow 社群推出了TensorFlow Recommenders-Addons(TFRA)軟體包，它集成了相關優秀成果，使TensorFlow能夠以更原生、更高效的方式支援ID 類推薦模型的訓練，完美解決了TF支援推薦場景的問題。TFRA具有兩個獨立元件，分別是Dynamic Embedding和Embedding Variable。前者是由騰訊微信看一看團隊貢獻的，該元件不改變演算法工程師建模習慣，具有與原生TF更好的相容性。6月24日19:00-20:00，機器之心最新一期線上分享邀請到微信看一看團隊成員戎海棟，介紹TFRA Dynamic Embedding元件的原理與應用。

分享主題：TFRA Dynamic Embedding元件的原理與應用

分享摘要：長期以來，主流深度學習框架對推薦類稀疏模型支援不夠友好。今年 4月TensorFlow社群在綜合工業界長期探索的基礎上推出了TFRA元件庫，它完美地解決了TF支援推薦場景的問題。微信看一看團隊貢獻的Dynamic Embedding元件對 TF侵入性小，且最大可能保持了與 TF的相容性，目前已經落地騰訊內部多個主流業務以及多個社群合作伙伴，已產生了真實的商業價值，本次分享重點介紹該元件的原理和應用進展。嘉賓介紹：戎海棟，2018年加入騰訊，目前服務於微信看一看團隊，負責產品內演算法平臺的開發維護工作，主導公司級開源協同團隊——雲帆（深度學習框架和加速）Oteam 的技術管理工作，同時也是TensorFlow社群SIG Recommenders-Addons的主要發起人和維護者。

GitHub項目地址：https://github.com/tensorflow/recommenders-addonsDynamic Embedding方案（RFC）連結：https://github.com/tensorflow/recommenders-addons/blob/master/rfcs/20200424-sparse-domain-isolation.md直播間：https://jmq.h5.xeknow.com/s/186z8P

直播時間：北京時間6月24日19:00-20:00

加入機動組，一起看直播

「機動組」是機器之心人工智慧技術社群，將持續提供技術公開課、論文分享、熱門主題解讀等線上線下活動，同時「機動組」也將不定期組織人才服務、產業技術對接等活動，歡迎所有 AI 領域技術從業者加入。

如何讓推薦系統效果更好 微信看一看團隊TF引入動態Embedding元件

熱門文章

如何讓推薦系統效果更好微信看一看團隊TF引入動態Embedding元件