其次 ， Embedding 可以融合大量有价值信息 ， 本身就是极其重要的特征向量 。相比由原 始信息直接处理得来的特征向量 ， Embedding 的表达能力更强 ， 特别是 Graph Embedding 技术被提出后 ， Embedding 几乎可以引入任何信息进行编码 ， 使其本身就包 含大量有价值的信息 ， 所以通过预训练得到的 Embedding 向量本身就是极其重要的特征 向量 。
因此我们才说 ， Embedding 技术在深度学习推荐系统中占有极其重要的位置 ， 熟悉并掌握 各类流行的 Embedding 方法是构建一个成功的深度学习推荐系统的有力武器 。 这两个特点也是我们为什么把 Embedding 的相关内容放到特征工程篇的原因 ， 因为它不仅是一种 处理稀疏特征的方法 ， 也是融合大量基本特征 ， 生成高阶特征向量的有效手段 。
下次我们再聊一聊Embedding中一些经典的方法 ， 如Word2vec 。
- 遨游|姗姗来迟的“正统旗舰”：深度解读FAudio Mezzo和它的调音玩法
- ipad下非常实用的笔记软件，方便大家学习时使用
- ps的设置方法，你做对了吗？
- 一加budspro2价格曝光：降噪深度堪比小米
- 教你微信深度清理的方法，不怕表情包和聊天记录消失
- 图片文字识别怎么弄
- 大家在日常的学习、工作上都需要制作或使用到PPT演示文稿|ppt怎么转pdf？全能pdf转换助手来了！
- 思维导图是工作和学习中的好帮手|思维导图在线制作方法，轻松上手
- 画流程图软件哪个好？画流程图软件推荐
- 在日常的工作、学习中|pdf文档怎么加密？全能pdf转换助手