线上分享 | 如何让推荐系统效果更好？微信看一看团队为TF引入动态Embedding组件

推荐系统是机器学习的一大主要应用，旨在根据用户偏好推送相关内容，比如推荐电影餐厅、搭配时装首饰或筛选媒体信息流等。近年来，随着RNN等诸多深度学习（DL）组件和在线学习策略被引入推荐系统，DiFacto等特定的推荐系统框架逐渐无法满足用户需求。基于此，越来越多的算法工程师转向使用TensorFlow等开源的通用型框架提升生产效率。 在推荐系统领域，Embedding 已成为处理 ID 类稀疏特征的常用手段。作为一种「函数映射」，Embedding通常将高维稀疏特征映射为低维稠密向量，再进行模型端到端训练。2020年，谷歌推出了TensorFlow Recommenders (TFRS)，这款开源的TensorFlow软件包可用于简化构建、评估和应用复杂的推荐模型。但TFRS的静态Embedding机制存在不支持动态特征、难以支持在线学习等弊端。 因此，今年4月，在综合工业界长期探索的基础上，TensorFlow 社区推出了TensorFlow Recommenders-Addons(TFRA)软件包，它集成了相关优秀成果，使TensorFlow能够以更原生、更高效的方式支持ID 类推荐模型的训练，完美解决了TF支持推荐场景的问题。TFRA具有两个独立组件，分别是Dynamic Embedding和Embedding Variable。前者是由腾讯微信看一看团队贡献的，该组件不改变算法工程师建模习惯，具有与原生TF更好的兼容性。 6月24日19:00-20:00，机器之心最新一期线上分享邀请到微信看一看团队成员戎海栋，介绍TFRA Dynamic Embedding组件的原理与应用。

分享主题：TFRA Dynamic Embedding组件的原理与应用

分享摘要：长期以来，主流深度学习框架对推荐类稀疏模型支持不够友好。今年 4月TensorFlow社区在综合工业界长期探索的基础上推出了TFRA组件库，它完美地解决了TF支持推荐场景的问题。微信看一看团队贡献的Dynamic Embedding组件对 TF侵入性小，且最大可能保持了与 TF的兼容性，目前已经落地腾讯内部多个主流业务以及多个社区合作伙伴，已产生了真实的商业价值，本次分享重点介绍该组件的原理和应用进展。 嘉宾介绍：戎海栋，2018年加入腾讯，目前服务于微信看一看团队，负责产品内算法平台的开发维护工作，主导公司级开源协同团队——云帆（深度学习框架和加速）Oteam 的技术管理工作，同时也是TensorFlow社区SIG Recommenders-Addons的主要发起人和维护者。

• GitHub项目地址：https://github.com/tensorflow/recommenders-addons
• Dynamic Embedding方案（RFC）链接：https://github.com/tensorflow/recommenders-addons/blob/master/rfcs/20200424-sparse-domain-isolation.md

直播间：https://jmq.h5.xeknow.com/s/186z8P

直播时间：北京时间6月24日19:00-20:00

加入机动组，一起看直播

「机动组」是机器之心人工智能技术社群，将持续提供技术公开课、论文分享、热门主题解读等线上线下活动，同时「机动组」也将不定期组织人才服务、产业技术对接等活动，欢迎所有 AI 领域技术从业者加入。 识别下方二维码，加入本次直播交流群。

如群已超出人数上限，请添加小助手syncedai5或syncedai6，备注「推荐」即可加入。 点击阅读原文，收藏直播间。