随着深度学习的发展，推荐模型的计算和存储开销越来越大。在实际推荐场景中，物品数量巨大，复杂的推荐模型难以实现即时推荐。为此，实际推荐系统一般分为两个阶段：一个是搜索效率高的召回阶段，一个是推荐精度高的精排阶段。召回阶段利用近似搜索算法快速找出候选物品，精排阶段利用复杂模型对候选物品进行精准排序。
然而，近似搜索算法一般基于欧式距离，不同于复杂推荐算法常用的排序函数，比如內积、余弦相似度等，可能会导致推荐准确度受较大影响。此外，对推荐算法的分析发现，用户和物品的表示向量占据模型参数的很大部分，从而，对表示向量的压缩也能实现推荐模型的大幅压缩。
围绕这两个方面的问题，下面来介绍针对內积函数设计神经网络来实现轻量级的推荐系统。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
这是一个专注于人工智能产品的导航站。
