推荐系统
文章平均质量分 80
夏未眠秋风起
这个作者很懒,什么都没留下…
展开
-
小小的声明
以后CSDN上只展示一部分内容,论文研读部分转战到知乎:夏未眠 - 知乎原创 2021-10-13 21:00:58 · 423 阅读 · 0 评论 -
RecSys‘21阿里 表征去噪,并提取用户长期兴趣Denoising User-aware Memory Network for Recommendation
现在越来越多的推荐模型开始利用用户的点击序列来发掘用户的兴趣,本文主要是关注用户的如何在序列表征中去噪,并对用户的长期兴趣进行发掘建模,从而提出user-aware memory network (DUMN).背景阿里之前已经提出过很多利用用户历史点击序列来建模进行推荐的模型,比如DIEN,DIEN等等。但是这些方法都没有考虑到序列中的噪声对表征的影响,并且通常我们使用用户的短序列建模后可以发掘用户的短期兴趣,而如果想要挖掘用户的长期兴趣则需要更长的序列,而这会导致很大的内存和计算消耗,并且从用.原创 2021-10-12 22:06:12 · 675 阅读 · 0 评论 -
KDD‘21华为数值型特征做embedding,An Embedding Learning Framework for Numerical Features in CTR Prediction
![image.png](https://img-blog.csdnimg.cn/img_convert/9f5e46856e59bab63d7a2a3f6e355ef4.png#clientId=u0fda268d-c8bb-4&from=paste&height=106&id=u229c3430&margin=[object Object]&name=image.png&originHeight=211&originWidth=1198&o原创 2021-10-11 22:41:08 · 900 阅读 · 0 评论 -
KDD‘21推荐系统离散特征表征无embedding table Learning to Embed Categorical Features without Embedding Tables for
本文是针对推荐系统中离散特征的embedding方法提出了新的改进方案。这里主要会涉及到one-hot编码和hash,不明白的小伙伴可以先学习一下。背景embedding在推荐系统中也是属于重要的一步,好的embedding可以节省空间,时间,并且达到好的推荐效果。现存的embedding方法可以统一概括为以下步骤:现存的大部分embedding都是基于one-hot,这里以one-hot为例,先将原始数据例如“性别包含男,女”则one-hot就是2维,到这就是encoding,然后得到男或女的o.原创 2021-10-10 16:45:11 · 473 阅读 · 0 评论 -
SIGIR‘21因果推断——不要把流行度偏差一棍子打死Causal Intervention for Leveraging Popularity Bias in Recommendation
Causal Intervention for Leveraging Popularity Bias in Recommendationhttps://arxiv.org/pdf/2105.06067.pdf背景本文所提方法针对召回阶段所用方法。之前的工作考虑的是如何缓解流行偏差带来的问题,包括IPS,causal embedding等,而本文考虑的是直接缓解流行偏差而不是流行偏差带来的影响。并且本文考虑到“不是所有流行偏差都是有害的”,流行的item可以反映这个item的趋势和内在特性。而我们..原创 2021-10-08 21:28:34 · 2058 阅读 · 1 评论 -
www21推荐系统之点击原因分解:用户兴趣和一致性(流行度)Disentangling User Interest and Conformity for Recommendation with Cau
Disentangling User Interest and Conformity for Recommendation with Causal Embeddinghttp://staff.ustc.edu.cn/~hexn/papers/www21-dice.pdf背景本文依旧是利用因果推断相关理论进行推荐系统纠偏的一篇文章,相关详细例子可以前往deconfounded中的“举个栗子”进行查看。这里进行简述,作者分析在用户购物的过程中,用户点击某个商品,一方面可能是因为他对这个感兴趣,另一方..原创 2021-10-06 22:24:43 · 1520 阅读 · 0 评论 -
推荐系统(五)——SIGIR‘21用反事实推断缓解点击诱饵,还在为标题党烦躁吗?请看这篇文章
Clicks can be Cheating: Counterfactual Recommendation for Mitigating Clickbait Issuehttps://dl.acm.org/doi/pdf/10.1145/3404835.3462962本文将用到以下相关知识:反事实推断TE、NDE、TIE背景在生活中,无论我们用什么软件(购物、资讯等),都会遇到这样的情况:看到的封面和标题跟点进去的内容不匹配,即标题党。而这些欺骗性的信息会使用户体检变差,而因为用户之前由..原创 2021-10-04 20:36:20 · 1025 阅读 · 0 评论 -
推荐系统(四)——因果效应uplift model系列模型S-Learner,T-Learner,X-Learner
在之前的文章中我们介绍了使用因果推断中的去除混杂和反事实的相关理论来纠正推荐系统中的偏差问题。在这篇文章中主要和大家分享uplift model相关知识和方法。例子小夏的商铺在上次请了明星代言后,销量有所上升,但是他不清楚是不是每个人都对这个明星感冒,有的用户可能没看到广告也打算购买。如果小夏可以给部分用户推送明星代言广告,就可以节约一些成本了(机智的小伙伴可能已经发现了,这里就是一个反事实推断的过程,即如果不展示广告会是什么样呢?)。这里就可以用uplift model来建模。基础知识uplift原创 2021-10-02 16:36:04 · 7694 阅读 · 0 评论 -
推荐系统(三):推荐系统中常见多任务模型MMOE,ESMM,CGC,AITM
在实际生活中,我们关注的任务往往是一对多的,例如推荐系统场景中,我们希望物品的点击率和转化率都要高,如果只是单纯的集中于优化某一个目标,往往会导致其他被忽略的目标变差。多任务学习通过共享目标之间的表征,优化多个任务的目标,从而改善多个任务的模型性能,因此多任务模型在推荐系统中很常见。这次和大家分享其中常见的几种多任务模型MMOE,ESMM,CGC,AITM,文末给出了参考文献,有兴趣的小伙伴可以从论文中获取详细内容。Hard-parameter sharing图...原创 2021-09-27 20:21:25 · 5562 阅读 · 0 评论 -
推荐系统+因果推断(二)——kdd‘21用反事实推理缓解召回阶段的数据流行度偏差Model-Agnostic Counterfactual Reasoning for EliminatingPopu
Model-Agnostic Counterfactual Reasoning for Eliminating Popularity Bias in Recommender Systemhttps://dl.acm.org/doi/pdf/10.1145/3447548.3467289本文中将会用到因果推断中反事实部分的知识,具体内容可以查看之前的文章,这里就不对反事实相关内容重复叙述了。背景背景和上一篇的背景类似,都是为了解决流行数据偏差问题。想要详细了解例...原创 2021-09-25 12:21:22 · 2433 阅读 · 0 评论 -
推荐系统+因果推断(一)——KDD2021推荐系统中去除混淆缓解偏差放大
今天和大家分享一篇因果推断和推荐系统结合的文章。因果推断在推荐系统中主要应用于用户增长、定价算法以及纠偏等领域,这篇文章属于纠偏领域。主要用到了我们前面因果推断(二)和因果推断(四)中提到的混杂和后门调整等内容,有不熟悉的小伙伴可以翻看前面的文章,好啦,进入正题。背景推荐系统中通常用于学习的数据是不平衡的。由于我们是从用户的历史点击或者转化数据中进行学习,因此通常会面临这样一个问题:对于推荐过的商品我们会认为用户是很感兴趣的,所以很可能会继续给他推荐,而对于没有推荐过的商品,...原创 2021-09-21 19:47:12 · 4504 阅读 · 2 评论 -
推荐系统(二)——召回模型,协同过滤 Collaborative Filtering
召回阶段是在大量物品集合中进行初步筛选,找到一部分子集,该子集中的物品与用户具有相对较高的相似度。常用的召回模型有协同过滤,向量化召回,矩阵分解等协同过滤(Collaborative Filtering,CF) 协同过滤通常包括基于用户的协同过滤(User CF),基于物品的协同过滤(Item CF)User CF User CF 是给相似用户推荐相似商品。当为A推荐商品时,主要分为两步:第一步,寻找与A相似的用户;第二步,从这些相似的用户找查找这些用户所喜欢的,但是A不...原创 2021-04-26 15:05:40 · 415 阅读 · 0 评论 -
推荐系统学习(一)
学习笔记 推荐系统已经深入我们的日常生活,当我们逛淘宝,京东的时候,系统一方面记录着我们的行为,一方面通过历史行为对商品进行推荐。这是机器学习的具体应用,使用机器学习对用户的特征,商品的特征,历史行为以及上下文信息进行建模,从而对用户的兴趣以及可能点击的商品进行推荐。这在推荐系统,计算广告中都普遍存在,正式机器学习,深度学习以及现代经济的快速发展,使得推荐系统成为许多公司,尤其是IT公司不可缺少的一部分。 OK,那这篇文章就是先对推荐系统进行一个简单的介绍,使得大家对推荐...原创 2021-04-26 10:39:52 · 191 阅读 · 0 评论