本文探讨了线上部署常用的编程语言如JAVA、C++、Go和TF-Serving，并提出性能优化方案，包括加机器和异步调用。此外，详细介绍了排序模型如LR和WideDeep的适用场景，以及GBDT+LR模型的训练策略。对于连续和离散特征，阐述了如何在GBDT与LR中结合使用。
1.线上部署一般使用JAVA、C++、go或者TF-serving.
2.性能不够解决方案：加机器或者异步调用。每次用户请求的时候，假如计算500条推荐item，然后缓存下来。下次用户来的时候，不是重新计算，而是看这500条有没有消费完毕，如果没有消费完毕，则继续消费。如果消费完毕，在重新计算.
常用排序模型
LR： 合适高维稀疏特征。
WideDeep: 一般类别型特征和组合类特征放在Wide部分，因为如果放在deep部分，经过多层全连接后，特征的作用会减弱。业务特征和人工交叉特征一般也放在Wide部分，这些都属于强特征，我就是想记住它。
GBDT模型
决策树特别容易过拟合，所以一般不会使用单颗决策树进行训练模型，效果一般都不好。
CART树不论分类还是回归，分裂永远是MSE.
针对GBDT+LR模型，先使用GBDT训练样本，然后取叶子节点在过一边LR模型。模型的更新频率一般是GBDT模型的更新频率低于LR。
对于GBDT+LR模型，连续类特征，可以过一边GBDT，得到叶子节点，然后和离散类特征一起放入LR进行训练。
Xgbost
扫一扫
942
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
