AI 词汇表
人工智能完整词典
深度学习推荐系统
使用深度神经网络建模用户与物品之间复杂关系的推荐系统。通过捕获非线性交互和数据中的潜在模式，这些系统超越了传统方法。
嵌入层
神经网络层，将稀疏的分类变量转换为低维密集向量。嵌入在连续向量空间中捕获物品和用户之间的语义相似性。
神经协同过滤
用深度神经网络替代传统因子模型来建模用户-物品交互的神经网络架构。NCF学习超越简单矩阵乘法的复杂交互函数。
宽度与深度学习
结合宽模型（逻辑回归）用于记忆和深度模型（神经网络）用于泛化的混合架构。这种方法有效地捕获数据中的显式和隐式模式。
深度因子分解机
统一因子分解机和神经网络，同时学习低级和高级特征的模型。DeepFM在FM和DNN组件之间共享嵌入，优化效率和性能。
用于推荐的自动编码器
学习用户偏好压缩表示用于协同推荐的无监督神经网络。去噪自动编码器特别适合处理稀疏和噪声数据。
基于会话的推荐
使用循环神经网络(RNN)建模用户会话中交互序列的推荐系统。这些模型捕获时间和上下文意图，无需历史用户配置文件。
用于推荐的图神经网络
将推荐系统表示为包含用户、物品和属性节点的异构图的方法。GNN通过图结构传播信息以捕获高阶关系。
推荐系统中的注意力机制
允许推荐模型根据元素对当前预测的相关性来对不同历史元素进行加权。注意力机制在序列推荐和上下文推荐中显著提升了性能。
推荐系统的Transformer模型
基于多头注意力机制的架构，用于建模用户行为序列中的长距离依赖。Transformer在捕捉复杂和动态模式方面优于RNN。
双塔架构
具有分离塔的双模型，用于将用户和物品特征编码到共同的嵌入空间中。通过预计算物品嵌入，该架构能够有效扩展到数百万物品。
序列推荐模型
通过交互的时间序列捕捉用户偏好动态演变的深度学习模型。这些架构使用RNN、Transformer或GNN来建模序列依赖关系。
深度交叉网络
专门设计的架构，用于有效学习特征之间任意阶数的显式交叉交互。DCN将高效的交叉层与用于泛化的深度层相结合。
推荐系统的变分自编码器
学习用户偏好潜在分布以实现稳健推荐的概率生成模型。VAE自然处理不确定性并提高推荐的多样性。
推荐系统的强化学习
将推荐表述为优化长期奖励的马尔可夫决策过程的方法。RL代理学习最大化持续用户参与的自适应推荐策略。
推荐系统的多任务学习
同时学习多个目标（CTR、CVR、会话时间）以提高泛化和效率的学习范式。MTL共享表示同时专用于特定任务。
使用深度学习的冷启动问题
通过使用元数据和神经网络生成初始嵌入的深度学习架构所解决的挑战。迁移学习模型和内容图上的GNNs特别有效。
神经网络因子分解机
因子分解机的扩展，集成了神经网络以捕获特征之间复杂的非线性交互。NFM结合了FM的效率和深度学习的表达能力。