推荐模型中 Group Embedding 的设计与作用
哪些公司问过
答案要点
- 按语义把特征划分为组,组内 embedding 经 sum、mean 或注意力池化成定长向量
- 同一实体的 ID 在不同特征中共享一张 embedding 表,减少参数并缓解低频 ID 稀疏
- 可按组设置不同 embedding 维度,大基数重要特征维度高,节省显存
- 工程上把多张表的查找合并为融合算子批量执行,减少算子数和通信开销
- 组内简单池化会损失细粒度信息,重要行为序列常改用注意力类结构
易错点
- 把 Group Embedding 只理解成一种固定结构,不确认面试官所指的场景
- 组内无差别池化重要行为序列,丢失和候选物品的相关性信息
- 共享表时忽略不同场景语义差异导致的相互干扰
面试官常见追问
- 特征怎么分组比较合理?
- 共享 embedding 表有什么风险?
- 组内用 sum 还是 mean 池化?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。