女人自慰AV免费观看内涵网,日韩国产剧情在线观看网址,神马电影网特片网,最新一级电影欧美,在线观看亚洲欧美日韩,黄色视频在线播放免费观看,ABO涨奶期羡澄,第一导航fulione,美女主播操b

0
  • 聊天消息
  • 系統消息
  • 評論與回復
登錄后你可以
  • 下載海量資料
  • 學習在線課程
  • 觀看技術視頻
  • 寫文章/發帖/加入社區
會員中心
創作中心

完善資料讓更多小伙伴認識你,還能領取20積分哦,立即完善>

3天內不再提示

基于谷歌中長尾item或user預測效果的遷移學習框架

深度學習自然語言處理 ? 來源:圓圓的算法筆記 ? 作者:圓圓的算法筆記 ? 2022-09-19 11:18 ? 次閱讀

推薦系統經常面臨長尾問題,例如商品的分布服從冪率分布導致非常多的長尾樣本只出現過很少的次數,模型在這部分樣本上的效果比較差。對長尾樣本增加權重,或者通過采樣的方法增加長尾樣本,又會影響數據分布,進而造成頭部樣本效果下降。針對這類問題,谷歌提出了一種可以實現頭部樣本知識遷移到尾部樣本的遷移學習框架,使推薦系統中長尾預測問題效果得到顯著提升,并且頭部的預測效果也沒有受到損失,實現了頭部尾部雙贏。

文中提出的遷移學習框架主要包括model-level transfer和item-level transfer。其中model-level transfer通過學習一個多樣本模型和一個少樣本模型,并學習一個二者參數的映射函數,實現模型參數上的遷移;item-level transfer通過對模型訓練流程的優化,讓映射函數同時能夠學到頭部item和尾部item之間的特征聯系。

1

Model-level Transfer

Model-level Transfer的核心思路是學習many-shot model和few-shot model的參數映射關系,這個思路最早來源于2017年NIPS上的一篇文章Learning to Model the Tail(NIPS 2017)。比如下面的例子中,living room是頭部實體,可以利用living room結合不同的樣本量,學到模型參數是如何從one-shot(theta1)變換到two-shot(theta2)一直到many-shot(theta*)。那么對于一個tail實體library,模型只能通過few-shot學到一個模型參數,但是可以利用在many-shot上學到的參數變化經驗推導出library上的參數變化。通過不斷增加數據,模型參數發生變化,模型學習的是數據增強的過程如何影響了模型參數變化。

41a76436-373d-11ed-ba43-dac502259ad0.png

在推薦系統中也是同理,給定一個item和user的反饋信息,模型隱式的學習如何增加更多user的反饋信息幫助這個item的學習,也就是從少數據到多數據的模型參數變化過程。

41bc8f0a-373d-11ed-ba43-dac502259ad0.png

基于上述思路,本文通過一個meta-learner學習這種參數隨著shot增加的映射關系。首先構造兩種類型的數據集,第一種數據是利用頭部商品構造的many-shot訓練數據,用來訓練一個base-learner;第二種數據是在頭部數據中進行下采樣,模擬得到的few-shot訓練數據。Meta-learner是一個函數,輸入few-shot模型的參數,預測出many-shot模型的參數,即學習這個映射關系,損失函數如下,第一項是預測many-shot參數的損失,第二項是在few-shot數據上模型的預測效果:

41dd63f6-373d-11ed-ba43-dac502259ad0.png

其中,本文主要優化的部分是base-learner在user和item網絡中的最后一層參數,因為如果學習全局參數的映射關系,計算復雜度太高。

41ef03fe-373d-11ed-ba43-dac502259ad0.png

2

量Item-level Transfer

在model-level transfer中我們提到,需要構造一個many-shot數據集和few-shot數據集。一種常用的方法是根據頭部數據(例如樣本數量大于一定閾值的)構造many-shot數據,同時利用頭部數據做下采樣構造few-shot數據。但是在推薦系統中,尾部item的數量眾多,只根據頭部item這個參數的映射關系可能在尾部item上效果不好。因此本文提出了一種curriculum transfer的方法。

具體的,在數據集的構造上,many-shot使用了包括頭部和尾部所有item的數據構成(如上圖中的黃色區域),few-shot使用了頭部item下采樣加所有尾部item構成(如上圖中的藍色區域)。這種方式保證了many-shot和few-shot模型在訓練過程中都能充分見到長尾樣本,提升item表示的學習效果,同時也能在few-shot訓練時,保證尾部數據的分布仍然是接近初始的長尾分布,緩解分布變化帶來的bias。同時在損失函數中,引入了logQ correction,根據樣本量平衡頭部樣本和尾部樣本對模型的影響,曾經在Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendations(2017)等論文中應用過。

3

模型預測

在預測過程中,會融合base-learner得到的user表示,以及經過meta-learner根據few-shot學到的參數融合到一起進行預測,通過一個權重平衡兩個表示,公式如下:

420499a8-373d-11ed-ba43-dac502259ad0.png

對于長尾user,也可以利用相似的方法解決。此外,文中也提出可以采用多階段的meta-learner學習方法,例如從1-shot到2-shot再到many-shot,串行學習多個meta-learner,這與Learning to Model the Tail(NIPS 2017)提供的方法比較相似。

4215f4b4-373d-11ed-ba43-dac502259ad0.png

4

實驗結果

作者在多個數據集上對比了一些解決長尾問題的方法效果,實驗結果如下表。可以看到,本文提出的MIRec方法效果要明顯好于其他方法。作者的實驗基礎模型是一個user側和item側的雙塔模型,具體的長尾優化對比模型包括re-sampling類型方法(如上采樣和下采樣)、損失函數方法(如logQ校準、classbalance方法,二者思路都是在損失函數中引入不同樣本頻率加權樣本)、課程學習方法(Head2Tail,即先在全量樣本上預訓練,再在尾部樣本上finetune,Tail2Head是反過來的操作)、基于Meta-learning的方法(MeLU)。

422c07e0-373d-11ed-ba43-dac502259ad0.png

423f6d6c-373d-11ed-ba43-dac502259ad0.png

從上面的實驗結果可以看出幾個關鍵點。首先,sampling-based方法效果非常差,這主要是由于sampling改變了數據本身的分布,而推薦系統中,模型的效果對于數據分布是非常敏感的,使用真實分布的數據訓練效果會更好。其次,基于loss加權的方法如ClassBalance和LogQ,對于長尾的效果提升非常明顯,但是對于頭部item有明顯的負向影響。最后,MIRec在頭部和長尾都實現了效果提升,這是其他模型很難做到的。

5

總結

本文介紹了谷歌提出的解決推薦系統中長尾item或user預測效果的遷移學習框架,通過many-shot到few-shot的參數規律變化學習,結合對數據分布的刻畫,實現了頭部、尾部雙贏的推薦模型。

審核編輯:彭靜
聲明:本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人,不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用,如有內容侵權或者其他違規問題,請聯系本站處理。 舉報投訴
  • 谷歌
    +關注

    關注

    27

    文章

    6223

    瀏覽量

    107569
  • 數據
    +關注

    關注

    8

    文章

    7242

    瀏覽量

    91042
  • 函數
    +關注

    關注

    3

    文章

    4371

    瀏覽量

    64230

原文標題:谷歌MIRec:頭部尾部雙贏的遷移學習框架

文章出處:【微信號:zenRRan,微信公眾號:深度學習自然語言處理】歡迎添加關注!文章轉載請注明出處。

收藏 人收藏

    評論

    相關推薦
    熱點推薦

    遷移學習

    的基本原理和編程思想。理解在一個新的場景數據集下,何時以及如何進行遷移學習。利用PyTorch加載數據、搭建模型、訓練網絡以及進行網絡微調操作。給定遷移場景,利用daib庫和生成對抗
    發表于 04-21 15:15

    卷積神經網絡長尾數據集識別的技巧包介紹

    1、卷積神經網絡長尾數據集識別的技巧包  最近,長尾識別持續引起關注,產生了很多不同的方法,這些方法屬于不同的范式,度量學習,元學習和知識遷移
    發表于 11-30 15:26

    中長期負荷預測協調思路_胡強

    中長期負荷預測協調思路_胡強
    發表于 03-19 11:41 ?0次下載

    谷歌FHIR標準協議利用深度學習預測醫療事件發生

    使用電子健康記錄(EHR)數據的預測建模預計將推動個人化醫療并提高醫療質量。谷歌發布消息稱已經開源該協議緩沖區工具。谷歌FHIR標準協議利用深度學習
    發表于 03-07 17:14 ?8228次閱讀
    <b class='flag-5'>谷歌</b>FHIR標準協議利用深度<b class='flag-5'>學習</b><b class='flag-5'>預測</b>醫療事件發生

    谷歌發布機器學習框架:一個名叫NSL的神經結構學習框架

    神經結構學習框架(NSL)的作用很大,它可以制作計算機視覺模型、執行自然語言處理(NLP)、從醫療記錄知識圖等圖形數據集中運行預測,還可以與 TensorFlow 機器
    的頭像 發表于 09-20 14:30 ?3623次閱讀

    解決長尾和冷啟動問題的基本方法

    長尾問題的難點主要體現在以下2點。首先,長尾實體的樣本量太少,模型很難學習這部分樣本的規律,例如用戶的embedding、商品的embedding等,都是需要大量數據學習的。
    的頭像 發表于 09-05 14:25 ?3829次閱讀

    一個基于參數更新的遷移學習的統一框架

    它提出一個基于參數更新的遷移學習的統一框架,建立多種參數優化方法之間的聯系,從而方便理解不同方法背后的關鍵設計,進而設計出只更新更少參數同時取得更好效果的參數優化方法。
    的頭像 發表于 09-26 10:29 ?1602次閱讀

    深度學習框架:人工智能時代的操作系統

    Tensorflow: 谷歌開源的向更加易用發展的主流學習框架
    發表于 03-15 10:17 ?642次閱讀

    一個通用的時空預測學習框架

    。這篇論文介紹了一種用于高效時空預測的時間注意力單元(Temporal Attention Unit,TAU)。該方法改進了現有框架,對時間和空間上的依賴關系分別學習,提出了時間維度上的可并行化時序注意力單元
    的頭像 發表于 06-19 10:27 ?1944次閱讀
    一個通用的時空<b class='flag-5'>預測學習</b><b class='flag-5'>框架</b>

    谷歌使用機器學習模型來預測哪條路線最省油最節能

    了約120萬公噸的地球升溫二氧化碳排放 —— 這幾乎相當于一年內減少25萬輛耗油汽車。 該工具在美國推出,但現在在加拿大、埃及和歐洲近40多個國家也有售。谷歌使用機器學習模型來預測哪條路線最省油
    的頭像 發表于 07-25 16:37 ?861次閱讀

    深度學習框架連接技術

    ,深度學習框架能夠很好的為應用程序提供預測、檢測等功能。因此本文旨在介紹深度學習框架連接技術的基本原理及其應用。 基本原理 深度
    的頭像 發表于 08-17 16:11 ?1003次閱讀

    視覺深度學習遷移學習訓練框架Torchvision介紹

    Torchvision是基于Pytorch的視覺深度學習遷移學習訓練框架,當前支持的圖像分類、對象檢測、實例分割、語義分割、姿態評估模型的遷移
    的頭像 發表于 09-22 09:49 ?1214次閱讀
    視覺深度<b class='flag-5'>學習</b><b class='flag-5'>遷移</b><b class='flag-5'>學習</b>訓練<b class='flag-5'>框架</b>Torchvision介紹

    python里item的用法

    item是Python中一個非常重要的概念,它可以用于多種數據結構和算法的實現。在Python中,item通常用于表示一個集合序列中的一個元素。本文將詳細介紹item的用法,并探討它
    的頭像 發表于 11-21 15:09 ?4701次閱讀

    谷歌模型框架是什么?有哪些功能和應用?

    谷歌模型框架(Google Model Framework)并不是一個特定的框架,而是指谷歌開發的一系列軟件框架,用于支持機器
    的頭像 發表于 02-29 18:11 ?2007次閱讀

    谷歌模型框架是什么軟件?谷歌模型框架怎么用?

    谷歌模型框架通常指的是谷歌開發的用于機器學習和人工智能的軟件框架,其中最著名的是TensorFlow。TensorFlow是一個開源的機器
    的頭像 發表于 03-01 16:25 ?1302次閱讀