特征的前期融合与后期融合在召回、粗排、精排应用

最新推荐文章于 2025-01-25 21:27:10 发布
最新推荐文章于 2025-01-25 21:27:10 发布
阅读量670 收藏 5
点赞数 3
CC 4.0 BY-SA版权
文章标签： 深度学习 推荐算法 广告算法 特征融合 召回粗排精排
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_21997625/article/details/138293769
本文探讨了推荐系统中的早期融合方法（如DNN）与后期融合（双塔模型）的区别，强调了早期融合在线推理代价大但精度高，而后期融合计算量小但预估准确性较低。粗排模型介于两者之间。重点介绍了用户塔、物品塔和交叉塔的计算策略。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

前期融合：先对所有特征做concat，再输入DNN，一般常见于精排模型

特点：线上推理代价大，若有n个候选item需要做n次模型计算

后期融合：把用户和物品特征分别输入不同的神经网络，不对用户和物品做融合，常见于召回双塔

特点：线上计算量小，用户塔只需要做一次线上推理，计算用户表征a，物品表征b事先存储在向量数据库，物品塔在线上不做推理；预估准确性不如精排模型。

粗排模型：一般介于前期融合和后期融合之间，比如三塔模型

前期：

  • 用户塔：只有一个用户，线上推理一次，即时用户塔计算量很大也费不了多少资源
  • 物品塔：有n个物品理论上要做n次推理，PS缓存物品塔输出向量，避免绝大部分推理
  • 交叉塔：统计特征动态变化缓存不可行，有n个物品交叉塔必须做n次推理

后期：

  • 有n个物品模型上层需要做n次推理，粗排模型推理大部分计算量在模型上层

引申问题：双塔在召回和粗排有啥区别？

双塔模型在召回和粗排的区别-CSDN博客

精通推荐算法3：精排特征交叉 -- 总体架构
谢杨易的博客
01-02 1482
特征交叉可以帮助生成新的特征，提高模型准确度。利用深度学习进行特征交叉，可以解决手动特征交叉门槛高、工作任务重、无法穷举等缺点，大大提升了模型表达能力。深度学习特征交叉主要有DNN模型、异构模型和序列模型三大类。本文主要介绍特征交叉的意义、基本范式和主要难点
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合
qq_36130719的博客
04-09 1439
卷积神经网络(CNN)在计算机视觉领域已经展现了卓越的性能，在图像分类、语义分割、目标检测领域得到了广泛的应用。数据驱动卷积神经网络获得的特征相比于传统手工制作的特征，质量有着明显的提升。因此，基于卷积神经网络的视觉识别研究更侧重于网络结构，而非特征工程。因此，如何设计更好的网络结构已经成为当前目标检测领域的一个关键问题。在目标检测的过程中，背景信息直接影响检测效果。目前大量的目标检测网络利用的是上下文信息的关联性。但是由于网络结构较为复杂，速度较慢，无法进行端到端训练。
数据融合的经典模型：早期融合、中期融合与后期融合的对比
最新发布
weixin_67075116的博客
01-25 3592
在多模态数据融合中，如何将不同模态（如图像、文本、语音等）的数据整合到一个统一的表示中，是至关重要的环节。不同的任务需求和数据特点决定了我们应该采用哪种融合策略，而早期融合、中期融合和后期融合是多模态数据处理的三种经典方法。不同的融合策略适用于不同的任务需求。早期融合更适合需要深度模态交互的场景，中期融合在信息保留和灵活性之间找到了平衡，而后期融合则以简单、高效、模块化的设计适应更多任务。中期融合是指先对每种模态的数据独立提取特征，然后在模型中间阶段对多模态特征进行融合，形成统一的表示。
自动驾驶之心：毫米波雷达-视觉融合感知方法（前融合/特征级融合/数据级融合）
10点43的博客
11-13 8870
4D毫米波雷达的兴起未来会促进相机与毫米波雷达的感知能力。之前在两个不同的4D毫米波雷达数据集上进行测试发现，一个数据集中平均每帧4D毫米波雷达会包含330个3D点，一个数据集中平均每帧会返回2700个3D点，点数远远多于传统的3D毫米波雷达，且同时还提供高度信息，无疑会大幅提高二者融合感知能力。
多模态特征融合方法总结
热门推荐
华辰烟雨的博客
06-20 9万+
由于本人的研究是文本、语音和图像三者模态数据的融合，所以针对的是这三种模态的特征融合方法进行总结。 首先，多模态特征融合的方法大体分为三种
有关特征融合的算法汇总
qq_59815419的博客
04-20 6385
YOLO系算法的思想都是，首先通过特征提取网络对输入图像提取特征，得到一定大小的特征图（比如13*13），然后将输入图像划分网格成13*13个单元格，接着如果Ground Truth中某个目标的中心坐标落在哪个单元格中，那么就由该单元格来预测该目标，每个单元格都会预测固定数量的边界框（v1中是2个，v2中是5个，v3中是3个），这几个边界框中只有和Ground Truth的IOU最大的边界框才会被选定用来预测该目标。（先融合多层的特征，然后在融合后的特征上训练预测器，只有在完全融合之后，才进行检测。
推荐系统——召回策略中的融合
weixin_39586997的博客
10-03 2098
一、多路召回的融合策略 二、长短混推 三、多模态数据的融合利用
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合-工程应用（论文篇四）
qq_36130719的博客
04-10 1472
其中神经网络的参数是这两级的网络在共同训练得到。征提取，但是这样的处理十分耗费时间，并且对专业人员的经验要求也高，这。且能够很好地处理数据中所包含的特征信息，非常适合应用到故障诊断中。本文是利用卷积神经网络进行改进来处理数据的，故本章将对卷积神经网。行卷积运算，从而产生新的特征。类型的特征，也就是该网络能够很好的接受特征一定范围的平移。目前针对齿轮箱的故障诊断一般都是进行信号的处理，然后对信号进行特。受野），在更高的层中就会将局部的特征结合从而得到全部的特征。卷积的运算过程如下图所示，卷积核大小为。
【UFEN】基于多层特征融合和多任务学习的多模态情感分析
weixin_45962681的博客
01-21 2048
主要挑战包括：1、模型如何在单一模态中提取情感信息，并实现多模态信息的互补传输；2、在单一模态中体现的情绪与多模态标签不一致的情况下，如何输出相对稳定的预测；3、当单模态信息不完整或特征提取性能不佳时，该模型如何确保高精度。
目标检测YOLO实战应用案例100讲-基于多尺度特征融合的水下小目标检测方法研究（下）
qq_36130719的博客
04-23 374
Ultralytics公司于2023年初发布YOLOv8模型，相较于2020年发布的YOLOv5模型， YOLOv8模型将C3模块（CSP Bottleneck with 3 convolutions）改进成C2f模块（CSP Bottleneck with 2 convolutions）。图中CBS（Convolutions Bn SiLU）模块由基础卷积(Conv)、批量归一化(BN)和激活函数(SiLU)组成。
一文看懂推荐系统：召回06：双塔模型——模型结构、训练方法，召回模型是后期融合特征，排序模型是前期融合特征
weixin_46838716的博客
08-04 1万+
（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了 （2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？ （3）今日推荐系统学习经验：三种训练方法的本质都是让用户和正样本物品的余弦相似度大，而用户跟负样本的余弦相似度小
特征融合方法
不要回答的博客
03-05 9249
概述 基本概念 在很多工作中，融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。如何将两者高效融合，取其长处，弃之糟泊，是改善分割模型的关键。 很多工作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺序，分类为早融合(Early fusion)和晚融合(Late fusion)。 早融合(Early fusion): 先融合多层的特征，然后在
多模态3D检测中的前融合，特征级融合，后融合到底是什么？
CV_Autobot的博客
08-01 1218
目前自动驾驶的感知解决方案中，存在两大主要路线：一个是纯视觉的路线，即基于BEV感知和单目3D的方法，其主要优点是成本低，代表性的业界公司为Telsa；另一个便是多模态融合感知路线，其主要优点是性能好且系统鲁棒性高，代表性科技公司为Google Waymo。目前而言，这两个方案没有绝对的好坏之分。多模态3D检测由于引入了其它传感器的数据，在性能上相比于纯视觉方案有明显优势，是各大自动驾驶公司研究的...
【论文精读】Attention Bottlenecks for Multimodal Fusion 视频分类任务
"You are worthy! You can do it!"
03-05 3056
人类通过多模态输入来处理信息感知世界。机器感知模型却通常是单模态的。从每种模态中合并得到最终表示或预测（“late-fusion”）仍然是多模态视频分类的主要范式。相反，本文引入了一种新的基于Transformer的架构，该架构使用“fusion bottlenecks 融合瓶颈”进行多层模态融合。与传统的成对自我注意力相比，该模型迫使不同模态之间的信息通过少量的bottleneck latents 瓶颈延迟，要求模型整理和浓缩每个模态中的相关信息，并共享必要的信息。
图像处理-特征融合相关延伸
MengYa_Dream的博客
05-23 1711
特征融合：欠拟合/过拟合、特征冗余、局部融合、逐层融合
排序算法总结
qq_43283527的博客
08-17 593
排序模型总结
特征融合的分类和方法
橙子的博客
03-01 3万+
1、特征融合的定义 特征融合方法是模式识别领域的一种重要的方法，计算机视觉领域的图像识别问题作为一种特殊的模式分类问题，仍然存在很多的挑战，特征融合方法能够综合利用多种图像特征，实现多特征的优势互补，获得更加鲁棒和准确性的识别结果。 2、特征融合的分类 按照融合和预测的先后顺序，分类为早融合和晚融合（Early fusion and Late fusion） 早融合（Early fusion）：就是在特征上进行融合，进行不同特征的连接，输入到一个模型中进行训练。（先融合多层的特征，然后在融合后的特征
多核学习在图像分类中的应用
weixin_33937499的博客
11-24 1283
1摘要 分类在搜索引擎中的应用非常广泛，这种分类属性可以方便在rank过程中针对不同类别实现不同的策略，来更好满足用户需求。本人接触分类时间并不长，在刚用SVM做分类的时候对一个现象一直比较困惑，看到大家将各种不同类型特征，拼接在一起，组成庞大的高维特征向量，送给SVM，得到想要的分类准确率，一直不明白这些特征中，到底是哪些特征在起作用，哪些特征组合在一起才是最佳效果，也不...
特征提取-特征后期融合-多核学习方法（MKL）
小小俊
02-12 7225
SVM：支持向量机，目前在分类中得到广泛的应用 特征融合：主要用来描述各种不同的特征融合方式，常见的方式有前期融合，就是前面所描述的将各个特征拼接在一起，后期融合本文后面会提到 核函数：SVM遇到线性不可分问题时，可以通过核函数将向量映射到高维空间，在高维空间线性可分 多核学习：在利用SVM进行训练时，会涉及核函数的选择问题，譬如线性核，rbf核等等，多核即为融合几种不同的核来训练。该方法属...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值