走吧five: 各位大佬，问个lfm的问题
走吧five:
走吧five: LFM这里不太明白为啥要负采样
就是最后分解成两个矩阵，相乘得回原先的评分矩阵（不为0的评分相近，为0的预测），那对负样本降采样有什么用啊，还是用原先负样本远大于正样本的评分矩阵做分解啊
走吧five: 就是项亮的那本推荐系统实战
走吧five:
走吧five: 如果时评分，怎么说是正负样本
.: 仅从截图这段话，这是在讲怎么构造复样本吧，原始数据只有正正样本(喜欢)，没有负样本，不是必然要去构造负样本么？
走吧five: 还有如果是要降采样的话，是把要降采样的样本的分数或者喜欢直接置0？
.: 这个地方核心不是降采样，核心是我们只有用户喜欢那些东西，这些是正样本，没有用户不喜欢那些的负样本，所以要从全局的item抽一些来做负样本，怎么采呢，采那些热门的，同时采的时候保证每个用户数量跟正样本相当
走吧five: @.?我是奇怪加入只有点击行为的是喜欢，为1，没点击是0，那点击肯定远小于不点击，就算有负样本，负样本一样是0，和没点击一个数值，我们把整个评分矩阵分解成两个矩阵，这时不管怎么降采样制造负样本，分解的还是原先的评分矩阵啊
.: 这不就是说的方法一么，用所有没行为的作为负样本，不是文字里说了缺陷么
走吧five: 我没说降采样的方法啊，我说不管用什么方法去制造负样本，分解的矩阵不还是原先的评分矩阵么？
.: 搜了下LFM，LFM是把用户和item表示成向量去迭次吧，向量乘起来跟真实label做loss，然后一批批的样本送进去做学习。 并不是把原矩阵写出来，有的位置是1，有的位置是0，去直接做分解吧。
.: 不是做推荐的，不过看起来感觉就是很直观的做法呢。
colitas: 可以想象成有一个user数*item数的评分矩阵 矩阵里正样本是1 负样本是0 还有大部分空项待遇测 负样本采样就是确定哪些空项填成0
麻木的程序猿: 填负数呗
走吧five: 差不多理解了，就是原矩阵是不写出来的，未点击的地方不是负样本的不优化，不填数值，只和有值的地方求loss，进行优化。
走吧five: user向量和item向量随机初始化成隐因子的长度就行，和原先的行为数据无关。
colitas: "走吧five: 差不多理解了，就是原矩阵是不写出来的，未点击的地方不是负样本的不优化，不填数值，只和有值的地方求loss，进行优化。"
没错
hirah: 我有个关于oov的问题
hirah: fasttext可以做基于字母的embedding
hirah: 可以部分解决oov
hirah: 但是中文最小只能分割到单元字
hirah: 中文里面oov怎么处理呀
hirah: 不过训练集里面没有的字算是很生僻的字了吧
Stefan: 这种处理了能有多大收益呢
hirah: fasttext相当于分解词根词缀的方式应对了oov
走吧five: Bert不是基于单个字的么
hirah: 比如两个在word2vec那里不同的token
蠢蠢: oov不用处理吧，预训练模型这么强的表征能力
hirah: 上面不是说的embedding吗
just do it!: 词表不用全，而在于精吧
枫胤雪: 应该就是用基于概率的wordpiece或者基于频率的bpe生成词表吧
just do it!: 比如你能够把一些常用的词覆盖到了就好了，bert基于字也是只覆盖高频词
文笔超好的男同学: 问题是
just do it!: 一般比较好的方式应该是定期重新预训练吧
文笔超好的男同学: 覆盖了，这些字能学好吗
just do it!: 这个词要看看是不是热词了
文笔超好的男同学: 是的，的确要看
文笔超好的男同学: 如果新热，那最好还是覆盖，不过一般覆盖都是用词典规则处理更快哈哈哈哈哈
just do it!: 比如如果是做新媒，你们重新预训练是在所难免的，比如一些网红词
hirah: 噢噢 应该也还是只能这样子
just do it!: 词典加规则确实是工业界标配吧，至少你可以控制
文笔超好的男同学: 是的，预训练这个在上游，老是改的话会被下游的同事追着打的
文笔超好的男同学: 科研的话，要思考的问题就是这种低频词，模型学不学的到
just do it!: word2vec和bert其实用一个频率阈值，所以如果对于一些只出现两三次的低频词，重新预训练也是浪费时间
文笔超好的男同学: 是的会有一个频次约束
文笔超好的男同学: gensim包里可以看看
枫胤雪: 查了一下，像英文里用的wordpiece或bpe并不适用于中文
just do it!: bert前：jieba，ngram bert后：字，知识
Cassia: 可以试试sentence price
文笔超好的男同学: 我们现在连textcnn这种都用字了
.: Price
文笔超好的男同学: 未登录词基本不用处理，汉子就那么多
文笔超好的男同学: 汉字
鲤鱼(小白): @just do it!?知识是指知识图谱？
just do it!: 是的
Cassia: 如果不纠结那几个点的提升，字是省事又好用
just do it!: 词典、知识图谱
吴玺煜: 好久好久之前做过实验，确实字会更好
文笔超好的男同学: 还试过一种是主体用字，配一些实体词然后在原来的基础上再训
文笔超好的男同学: 效果也有提升
走吧five: 我上一个实习就是词典+规则
吴玺煜: 数据量大的话，字会更好吧
文笔超好的男同学: 有些实体词能学到的话的确有利于下游任务的
走吧five: 标签200多个
文笔超好的男同学: 200多个标签，优先考虑以搜代替分类
hirah: tag classification啊
hirah: 比如给tweet上tag
hirah: 就有几百上千个class
文笔超好的男同学: 智能问答faq之类的，其实就是一个n分类，每个分类空间都很小
文笔超好的男同学: query进入，找有没有和他相近的，如果有，那就认为query就属于和他相近的句子的那个类
枫胤雪: 我很好奇，实习让标注，那面试的时候都面的啥内容
文笔超好的男同学: 这种检索答案，本质上就是一种分类，而且这种方案还有个优势，就是分类的个数可以随意调整
吴玺煜: 以前做过智能客服，某公司用的就是分类，400多分类
just do it!:
走吧five: 以搜代替分类？
吴玺煜: 但是rank效果会比分类好吗？
just do it!:
just do it!: 多标签：一些场景下的标签设置可能达到几百个，可以设置多层级的标签体系进行处理。例如，先构建标签大类、再构建标签小类；也可以设置多个二分类，适用于标签分类相对独立，并且经常需要新增修改的场景，能做到相互独立、便于维护。
文笔超好的男同学: 你是指hard case吗，这个对分类，搜索方案都一样是难题啊
文笔超好的男同学: 总体效果来说，我感觉比直接多分类更容易拿到好的效果
走吧five: 多层级就是训练多个模型然后做类似模型融合么
just do it!: hard case 直接规则吧，让模型搞，你都不知道他能不能解决问题，即使解决了你还不知道他是不是偶然的或者有没有引入新问题
走吧five: 就是第一个模型分大类，第二个模型分小类，把多个标签的识别分给多个模型粉红负责
文笔超好的男同学: 能发现就赶紧黑白名单搞，但是还是要弄点泛化的
文笔超好的男同学: 如果是这种优化，那其实就是语义相似度的优化了
文笔超好的男同学: 这周我会写这个以搜代分类的适用场景，完整思路，优缺点，可以期待下
文笔超好的男同学: 这个trick其实挺喜欢的。说白了检索top1其实就是可以理解为n分类，这个n可以很大，几十万几百万
行者无疆: 只有个word2vec，一定会遇到oov问题，这个时候oov问题怎么处理？我问他如何处理，他说把这些词收集起来，然后重新训练
Stefan: 用来召回吧
Stefan: side_info也训练emb。方便冷启动召回
文笔超好的男同学: w2v能解高频用户，倒是也行
行者无疆: embedding当然需要，但问题在于他只有word2vec，别的什么都没有，然后就是计算相似度，这个就是推荐的结果
文笔超好的男同学: 低频新用户肯定是新热这种来处理的
走吧five: 就是得要多路召回么
政委: w2v作为一路召回
文笔超好的男同学: 多路召回是必然的