深度学习推荐模型-DIN

最新推荐文章于 2023-05-11 08:00:00 发布
最新推荐文章于 2023-05-11 08:00:00 发布
阅读量736 收藏 3
点赞数 1
分类专栏： 推荐系统 深入浅出AI 文章标签： 算法 机器学习 深度学习 python 人工智能
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/qq_36816848/article/details/115269508
版权
本文解析了DIN模型如何利用深度兴趣网络在电子商务中解决CTR预测问题，通过Attention机制和Pooling操作捕捉用户对广告的局部兴趣。模型优化包括Dice激活函数和自适应正则化，提升模型性能。
摘要由CSDN通过智能技术生成

深度学习推荐模型-DIN

本文参考链接，仅供个人学习：

https://github.com/datawhalechina/team-learning-rs/tree/master/DeepRecommendationModel

相关学习书籍推荐：《深度学习推荐系统》王喆

DIN介绍

Deep Interest Network(DIN)是盖坤大神领导的阿里妈妈的精准定向检索及基础算法团队，在2017年6月提出的。
它针对电子商务领域(e-commerce industry)的CTR预估，重点在于充分利用/挖掘用户历史行为数据中的信息。

DIN模型-深度兴趣网络（Deep Interest Network）

1.基础模型：

Base Model主要由两部分组成：

  1. 把稀疏的输入(id特征)转换成embedding vector
  2. 增加MLPs得到最终的输出

了解本专栏 订阅专栏 解锁全文 超级会员免费看
GoAI
关注
专栏目录
订阅专栏
深度学习推荐模型-NFM
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-25 653
深度学习推荐模型-NFM 本文参考链接，仅供个人学习： https://github.com/datawhalechina/team-learning-rs/tree/master/DeepRecommendationModel 相关学习书籍推荐：《深度学习推荐系统》王喆
基于深度学习的推荐模型--PNN
qq_42586738的博客
02-21 414
NacureCF只考虑到了用户和物品两种向量的整体交叉，但是如果说我想让特征交叉变的更加多样那我们要怎么做呢，比如我想让用户的单独属性和物品的单独属性交叉，那么PNN模型就为我们提供了方法，同时PNN模型也丰富了它特征交互的方式，即有线性部分也有乘积部分。 embedding层中是对对每一个离散稀疏的Field特征域进行Embedding操作，让原本的向量乘以embedding矩阵，embedding矩阵参数是通过神经网络的反向传播进行学习。 这个模型的重点就是它的Product层 首先， 这
CIKM 2021 | AMTL：设计孪生掩码层高效学习维度自适应的Embedding
阿里妈妈技术
11-17 941
▐摘要在深度推荐模型中，ID类特征的表示学习是至关重要的。其中，每一个特征值将会被映射成一个特征向量。对于同一个特征域的不同特征值，传统的特征表示学习方法会固定对应特征向量的维度大小。这...
深度学习推荐系统之DIN学习笔记
博客小主
03-27 633
深度学习推荐系统之deepcrossing简单介绍与代码实现 深度学习推荐系统之wide & deep介绍和代码实现 深度学习推荐系统之deepFM介绍和代码实现 NFM（2017）结构与原理简介（代码）
推荐系统深度学习推荐模型整体脉络
小叮当的博客
03-28 1247
文章目录深度学习对推荐系统的影响深度学习模型的强拟合能力深度学习模型结构的灵活性深度学习推荐模型的演化 深度学习对推荐系统的影响 深度学习给推荐系统带来了革命性的影响，能够显著提升推荐系统的效果，原因主要有两点，一是深度学习极大地增强了推荐模型的拟合能力，二是深度学习模型可以利用模型结构模拟用户兴趣的变迁、用户注意力机制等不同的用户行为过程。 深度学习模型的强拟合能力 如上图在矩阵分解模型的结构中，用户One-hot向量和物品One-hot向量分居两侧，它们会先通过隐向量层转换成用户和物品隐向量，
深度推荐模型 - DIN
Joye_BNU的博客
03-27 474
DIN 文章目录DIN提出背景DIN模型的数据集和特征表示基线模型Embedding layerPooling layer and Concat layer损失函数base模型存在的问题 & 改进思路DIN模型架构DIN实现上的细节 提出背景 Deep Interest Network(DIN)是阿里巴巴在2018年提出的，该模型更加具有业务气息。应用场景是阿里巴巴的电商广告推荐业务。DIN这个模型应用了注意力机制来对用户的兴趣动态模拟。这个应用场景的最重要的特点是：有大量的用户历史行为信息。 之前
深度推荐模型-DIN
qq_39544991的博客
03-28 739
DIN 1.背景     Deep Interest Network(DIIN)是2018年阿里巴巴提出来的模型，该模型基于业务的观察，从实际应用的角度进行改进，相比于之前很多“学术风”的深度模型， 该模型更加具有业务气息。该模型的应用场景是阿里巴巴的电商广告推荐业务，这样的场景下一般会有大量的用户历史行为信息，这个其实是很关键的，因为DIN模型的创新点或者解决的问题就是使用了注意力机制来对用户的兴趣动态模拟，而这个模拟过程存在的前提就是用户之前有大量的历史行为了，这样我们在预测某个商品广告用户是否点击的时
2018阿里广告点击率预估模型---DIN，Tensorflow2.0代码实践，并附上github
Blank_Space
05-28 3379
前言 最近看了2018年阿里在KDD上发表的论文《Deep Interest Network for Click-Through Rate Prediction》，想复现下，看了文章给出的github开源代码，发现环境是TF1.4的，并且注释太少，有些没大理解【还是太菜了】，因此准备参考原有代码使用TF2.0来对模型进行简单的复现。如果有些地方有些出入或者错误，请大佬们给我指出，感谢【因为现在没服务器，所以没像开源中跑完50个epoch】 数据分析 1、数据集为论文中的Amazon Dataset，下载并解
DIN模型
qq_42586738的博客
02-23 795
我们先看base模型 在DIN出现之前，推荐系统或者广告系统的做法通常是将高维的稀疏输入通过一个embedding层转化为低维稠密的特征表示，之后将同类的embedding特征通过pooling的方式（sum pooling或者avg pooling）转化为固定长度的特征（embedding+pooling这两步在笔者看来其实等价于一个单层神经网络的作用，embedding特征对应权重矩阵），最后将不同类特征拼接起来输入到深度神经网络中进行训练。（如下图所示） 这 ...
深度学习 - 46.DIN 深度兴趣网络
BITDDD小栈
05-09 1337
Alibaba Attention 序列模型 DIN 之 Deep Interest Nerwork。
深度学习 - 47.DIN 深度兴趣网络保姆级实现 By Keras
最新发布
BITDDD小栈
05-11 1037
DIN 深度兴趣网络与 Dice 激活函数 Keras 实现。
Sunny.Xia的深度学习(二)DIN深度兴趣网络笔记及源码解析
sunny_xsc1994的专栏
09-19 487
本专栏文章会在本博客和知乎专栏——Sunny.Xia的深度学习同步更新，对于评论博主若未能够及时回复的，可以知乎私信。未经本人允许，请勿转载，谢谢。 一、什么是DIN？ DIN全称为deep interest network，在网络中引入了注意力机制，本质上可以理解为weighted-sum pooling。通过权重的方式，将用户兴趣的多样性以及当前候选商品仅与用户一部分兴趣有关这一特点考虑了进来。建议大家去看一下论文原文，此外博主还参考了下面三篇博客。文章内容侧重点各不相同，大家可以综合看看以便加深理
推荐模型之深度学习总结《个人笔记》
田宝
05-19 343
   这里将会主要对深度学习的总结，传统的推荐模型例如矩阵分解MF，逻辑回归LR、FM、LS-PLM等不再赘述，但是这些模型毕竟是推荐算法的鼻祖，其推荐原理值得每个人去研究，或者在之后的工作中可以受到启发；在随着神经网络的出现和应用，深度学习的处理复杂特征的优势和将特征工程模型化能力显著等这些优势逐渐让之前的推荐模型黯然失色，所以本部分的笔记将会主要以深度学习模型展开，如果涉及到传统推荐模型也会进行少量的阐述；    值得一说是2016年其实算是一个深度学习模型走进推荐领域的一个时间开始点，自此随着FNN、
深度推荐模型笔记05 DIN模型
ritatype的博客
03-27 483
集成学习笔记05 基本的分类模型 本篇预计阅读时间2分钟，开源学习内容来自：datawhale 1. DIN模型的来源和发展 2.DIN模型的优缺点 3. 代码实例
DIN模型介绍
舟
01-11 4897
简介 场景：根据用户历史行为序列给用户推荐物品 例如：根据用户最近买了鞋子，裙子，现在要预估一件女性大衣的CTR 或者音乐场景中，用户最近在听rap，给他推荐一些中国新说唱的歌曲的CTR 普通做法，对用户历史行为的item embedding做average pooling 但是实际中，用户行为中有些跟当前推荐物品有关，有些跟当前物品无关，比如女性偶尔给男朋友买了球鞋，偶尔听到一首热门歌曲，其实...
天猫复购用户预测之DIN模型
qq_19840551的博客
07-25 3238
1.项目背景 电商经常会做大促，比如打折或者发放优惠券，尤其是在特殊的节日，比如黑色星期五，双十一等，目的是为了吸引大量的新用户。然而，许多吸引过来的购买者只是一次性交易，这些促销对于转换为长期的顾客来说可能收效甚微。提供了双十一促销期间的商家和新用户数据，目标是对于给定的商家，预测新用户是否能成为忠诚用户，即未来6个月内会购买这个商家的商品。 2.数据预处理 user_log user_id 用户ID item_id 商品ID
din、bst 深度兴趣网络排序ctr 数据训练；deepctr加载embedding向量；id类型值hash
weixin_42357472的博客
03-26 1515
数据下载： 链接：https://pan.baidu.com/s/1m7mViwM-KPJxmTLdpotRRg 提取码：obmu 数据说明： user端特征有5个，分别为["user_id", "gender", "age", "hist_movie_id", "hist_len"]； user_id 为 用户ID特征，离散特征，从1-3表示；gender 为 用户性别特征，离散特征，从1-2表示； age 为 用户年龄特征，离散特征，从1-3表示； hist_movie_id 为 用户观看的mo
信息融合：统计机器学习与深度学习的竞合分析
例如，将统计学习的先验知识融入深度网络的训练过程，或者利用深度学习的特征提取能力改进统计模型，都有可能提升整体系统的性能。 总结来说，统计机器学习和深度学习在信息融合中既存在竞争，也有合作。理解并充分...
评论
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

GoAI

你的鼓励将是我创作的最大动力

¥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