本文介绍了一种名为DBTML的深度贝叶斯多目标学习方法，适用于电商平台的推荐系统。通过事件顺序建模和Bayesian网络，解决多目标预测问题，尤其在目标事件因果关系不明确时，能有效提升预测指标。实验表明，DBMTL在多个目标任务上优于其他模型，且在处理稀疏和连续值目标时展现出强大的泛化能力。
背景
本文的算法十分通用，在周围朋友诸多的实践中，基本都取得了一定的提升。虽然该论文未能发表，但是实践意义巨大，估价一个亿！废话不多说，直接学习！
电商平台的发展, 评估电商平台的好坏指标也会变多,所以我们的问题变成了多目标的。本文提出了DBTML(Deep Bayesian Multi-Target Learning), 通过事件发生的顺序进行建模, 目标事件被建模为Bayesian网络。在Taobao的实验中,作者发现该方法使用集成的因果结构可以使任务从其他任务那边收益，创造显著的协同效应，提高了所有预估的指标。
多目标学习的概率形式
目标变量分离
当我们有一个二元目标,那么该预测通常会被建模为LR问题,当我们有多个二元目标,那么我们就可以将其建立为多分类问题(可是随着二元任务变多,笛卡尔空间会呈指数爆炸)，当目标数据的稀疏性很强时，预测结果很快就会恶化。因此，通常我们通过将联合分布分解为较小的联合分布或单个分布，并在一定的概率模型假设下，避免这种指数空间扩张。于是我们可以将其写为：
最低0.47元/天 解锁文章
扫一扫
193
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
