多兴趣模型实践ComiRec代码解读

最新推荐文章于 2024-01-27 11:15:05 发布
最新推荐文章于 2024-01-27 11:15:05 发布
阅读量1.6k 收藏 4
点赞数 7
分类专栏： NLP与推荐算法 文章标签： ComiRec 多兴趣 MIND 召回
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/SPESEG/article/details/116205705
版权
本文作者分享了在实践中遇到的ComiRec模型问题，包括数据处理、模型训练和评估指标的探讨。在尝试改进模型，如调整编码、数据分割和兴趣embedding学习后，发现模型性能并未显著提升。作者还提到了模型与其他序列推荐方法的对比，并计划进一步优化模型参数和探索多GPU训练。
摘要由CSDN通过智能技术生成

hi各位大佬好，我是菜鸟小明哥。因为纯粹基于ID的模型CTR已经降至最低，比如之前的ytb，SRGNN，LightGCN，TAGNN，均干不过FFM，DSSM，这是实际应用中不可避免的，总之，这种情况无论是代码问题也好，还是说数据问题稀疏也罢，短期内调整是看不到效果提升的。因为我已经尝试了增加ytb的user侧特征（net和最近爱看的类别），然而实际效果仍旧没有任何提升，尽管离线指标已经逼近

了解本专栏 订阅专栏 解锁全文 超级会员免费看
小李飞刀李寻欢
关注
  • 7
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
订阅专栏
多兴趣模型ComiRec的解读之二
NLP与推荐算法
07-07 353
是否还记得我，还是已忘了我。今天依旧是最帅的小明哥。上一篇实现了这个模型，但不够深入理解。因此本文要继续深入了解，分为model代码，评价指标diversity，etc. For Recommendation in Deep learning QQ Group 102948747 For Visual in deep learning QQ Group629530787 I'm here waiting for you不接受这个网页的私聊/私信！！！ 1-数据的输入 我总感觉输入的数据少了很...
多兴趣模型ComiRec分布式训练
NLP与推荐算法
07-20 445
hi各位大佬好，之前的解读已经详细讲述了，可以参考博文（ComiRec开始，ComiRec提高指标），那么接下来就是工程化的实施了，参考SRGNN分布式训练。 For Recommendation in Deep learning QQ Group 102948747 For Visual in deep learning QQ Group 629530787 I'm here waiting for you不接受这个网页的私聊/私信！！ 本宝宝长期征集真实情感经历（发在我公号：美好时光与你同行），长期.
Attention简单计算与函数对比之ComiRec提高指标实践
NLP与推荐算法
08-19 296
hi我是菜鸟小明哥，最近死磕attention，一定要拿下。attention原本是seq2seq，可以多对多，比如，翻译，中文翻译成英语就会出现输入和输出的词数不一致，当然也可多对一，一对多，etc For Recommendation in Deep learning QQ Second Group 102948747 For Visual in deep learning QQ Group 629530787 I'm here waiting for you不接受这个网页的私聊/私信！！ 本宝宝长.
推荐系统之用户多兴趣建模(一)
公众号/知乎: AI算法札记，欢迎关注交流
08-14 1669
​ 在之前的文章中，我们将2022年已公布的AI顶会(含SIGIR/KDD/WSDM/ICDE/CIKM、RecSys/WWW、ICML/ICLR/ACL/NAACL/AAAI/IJCAI等) 中推荐系统相关论文梳理了一遍，具体可以参考系列文章:推荐系统之用户多兴趣建模(一) - 知乎 从本文开始，对推荐系统的各个研究方向进行一些梳理。 ​......
推荐系统中的用户兴趣建模（五）：召回阶段的用户多兴趣建模
Harrytsz的博客
10-07 394
众所周知，业界的推荐系统是一个漏斗状的级联结构，大体可分为召回和排序两个阶段，召回阶段我们根据用户的兴趣从海量的商品中去检索出相关候选 Item，满足推荐相关性和多样性需求。而排序阶段，依据用户兴趣会对候选集进行打分排序截取TopN Item，最终给用户产生推荐。 前面的一些文章的方法基本上都用于ranking阶段，即使是最简单的DIN模型，如果其用于召回阶段也是极其耗时的。而传统的matching阶段的用户embedding： 协同过滤的隐向量。缺点：sparsity problem, 计算资源耗费大
huggingface高速下载模型的实战代码
最新发布
herosunly的博客
01-27 16万+
本文主要介绍了huggingface高速下载模型的实战代码，尤其是无法通过国内源进行下载的huggingface模型，希望能对学习大模型的同学们有所帮助。需要特别说明的是，本文的代码是完全原创的，即能够最大限度利用宽度的速度，而且还能实现断点续传。 文章目录 1. 背景 2. 实战代码
改进SEIR模型的matlab代码.zip
05-12
SEIR模型是流行病学中常用的一种数学...代码中可能存在的“瑕疵”为用户提供了一个实践和优化的机会，这正是科学探索的过程。如果你发现任何问题或者有改进的想法，社区交流和反馈是提升模型准确性和实用性的重要途径。
KDD2020|阿里联合清华提出多兴趣框架ComiRec用于序列推荐(已开源)
hestendelin的专栏
11-15 1016
Controllable Multi-Interest Framework for RecommendationYukuo Cen, Jianwei Zhang, Xu Zou, Chan...
游戏代码有兴趣的同学可以看看
07-12
这是一个手机游戏很多做这个的可以看看它里面的方法还有思想很精辟
java写得几个参考代码 提高初学兴趣
11-21
mp3，窗口，两个计算器，接口使用，贪吃蛇代码 这些代码相对比较粗糙
推荐系统炼丹笔记：Deep Retrieval
炼丹笔记
11-29 1136
作 者：十方 公众号：炼丹笔记 （1）Why Deep Retrieval?一个规模较大的推荐系统，需要解决的核心问题就是如何从百万甚至亿级别的候选集中快速找到最相关的top-k个候选。以前的解决方案都是两步:双塔模型，最后做Dot用Annoy Tree或者HNSW给候选集建索引，在线计算向量实时检索top-k之前方案存在的问题:因为要分两步，而两步的目标是不一样的。双塔限制了模型的表达能...
多兴趣推荐召回模型：ComiRec
sgyuanshi的博客
04-23 1026
1. 论文指出了推荐召回模型中单个用户兴趣向量的弊端，提出一种可以提取多个用户兴趣向量的模型ComiRec，包括两种多兴趣提取模块：**Dynamic Routing**和**Self-Attentive Method**，对应的模型分别为ComiRec-DR和ComiRec-SA； 2. 提出一种新的对用户多个兴趣向量召回结果的聚合方法（Aggregation Module），指出推荐系统可控性的重要性（论文中主要体现了推荐的多样性控制）；
【论文导读】KDD2020｜阿里团队最新的多元兴趣推荐模型---ComiRec
Blank_Space
08-11 1131
前言本次分享一篇2020年阿里团队发表在KDD的文章“Controllable Multi-Interest Framework for Recommendation”。本篇文章提出的模...
手把手教你读推荐论文-Comirec(上)
m0_63642362的博客
11-13 523
Comirec论文解读&代码实现(上)
深度模型（十七）：用户兴趣建模与多任务学习模型笔记
Jony0917的专栏
02-21 682
DIN 历史行为丰富的用户，兴趣是多种多样的，在面对不同的候选商品时，用户的兴趣可以被局部激活。 DIN提出固定长度向量表达用户多种兴趣的局限性，并设计了全新的深度兴趣模型，引入了兴趣局部激活单元，自适应的从用户历史行为数据中学习与目标广告相关的用户兴趣的表示。DIN极大的提高了模型的表达能力，更好的捕捉用户兴趣的多种特征。 DIN中用户兴趣表示为vU(A)=f(eA,e1,e2,...,eH)=∑j=1Ha(eA,ej)ej=∑j=1Hwjej\bold{v}_U(A) = f(\bold{e}_A,
手把手教你读推荐论文-Comirec(下)
m0_63642362的博客
11-14 258
COmirec论文解读&代码实现
【序列召回推荐】(task5)多兴趣召回Comirec-DR
发现问题，并解决问题，批判性思维
11-29 1285
- 多兴趣召回建模。Comirec论文中的提出的第一个模型：Comirec-DR（DR就是dynamic routing），阿里将用户行为序列的item embeddings作为初始的capsule，然后提取出多个兴趣capsules，即为用户的多个兴趣。其中胶囊网络中的动态路由算法和MIND类似，不同在于：
评论 2
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

打赏作者

小李飞刀李寻欢

您的欣赏将是我奋斗路上的动力！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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