直播推荐与内容推荐的异同,K歌直播与其他直播(如虎牙)的区别:
推荐系统架构
召回模型迭代
对item侧性多模态的embedding:
另外还有一个多模态融合的问题。看上图示意,应该是每个模态embedding单独与user embedding进行相似度训练。**这样做的话,每个item就会存在3个embedding。线上服务召回TopK时需要去重。但这种方案就忽略了不同模态之间的权重。**我想到的另外一种方案是,将各模态的embedding concat起来,全连接映射到user embedding 相同维度(即 item embedding),再做相似度训练。但这会出现的问题是:有些直播间可能不存在Song ID,需要做特征缺失处理。
精排模型多维度迭代
这里定义了所谓的KFM,其实可以简单理解将 ϕ视为一个全连接神经网络函数。ϕi,j就是将j维映射到i维向量的全连接神经网络。这样不同bit维的特征就能进行自由的交叉了。
用Cross、AutoInt引入了高阶特征:
其实就是从每个field做emb,变成每个bit unit做emb,在实现上反而更加统一方便。
参阅:《多任务学习——【ICML 2018】GradNorm》