2019-CIKM-SDM: Sequential Deep Matching Model for Online Large-scale Recommender System

最新推荐文章于 2022-12-13 13:30:12 发布
最新推荐文章于 2022-12-13 13:30:12 发布
阅读量524 收藏 1
点赞数
分类专栏： 推荐系统 文章标签： 推荐系统
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_38119106/article/details/123625643
版权

SDM: Sequential Deep Matching Model for Online Large-scale Recommender System

2019-CIKM 阿里团队

item CF 不能建模用户动态和演化的偏好。本文提出SDM，解决两个问题：

  • 一个session中可能有多种兴趣趋势
  • 长期偏好可能无法与当前session的兴趣有效融合

个人认为本文的亮点有：

  • user emb做query，对于序列LSTM之后的隐藏h序列（多头自注意力之后）做atten；对于长期序列不同feat分别做atten
  • gate融合长期表示和短期表示，并且可视化case study解释

2 RELATED WORK

  • 工业界：MF、YoutubeDNN、TDM、EGES、PinSage 这些模型不能很好地考虑用户动态演化的兴趣
  • 序列推荐：序列推荐旨在以一种顺序的方式建模用户的偏好和预测用户未来的行动，如下一次点击。FPMC、HRM、GRU、CNN、记忆网络…

3 THE PROPOSED APPROACH

3.1 问题定义
  • 短期session S u S^u Su 长度为m
  • 长期行为 L u L^u L
最低0.47元/天 解锁文章
Dive_
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
AI上推荐 之 SDM模型(建模用户长短期兴趣的Match模型)
Miracle8070
04-01 6277
1. 写在前面 今天整理的是SDM模型(Sequential Deep Matching Model)，依然是阿里团队在2019年CIKM上的一篇paper。和MIND模型一样，是一种序列召回模型，研究的依然是如何通过用户的历史行为序列去学习到用户的丰富兴趣。 对于MIND，我们已经知道是基于胶囊网络的动态路由机制，设计了一个动态兴趣提取层，把用户的行为序列通过路由机制聚类，然后映射成了多个兴趣胶囊，以此来获取到用户的广泛兴趣。而SDM模型，是先把用户的历史序列根据交互的时间分成了短期和长期两类，然后从短期
欧拉公式求圆周率的matlab代码-CIKM2020_DecGCN:CIKM2020_DecGCN
05-23
欧拉公式求长期率的matlab代码解耦图卷积网络以推断可替代和互补项（CIKM 2020应用研究轨迹） 如何使用 前处理 步骤1：从下载元数据。 步骤2：将元数据文件放在./preprocessing/raw_data/中。 第三步：在run.sh中...
SDM模型
Rory的博客
01-15 4373
SDM 论文地址：https://arxiv.org/abs/1909.00385 论文名称：SDM: Sequential Deep Matching Model for Online Large-scale Recommender System 基于Item的协同过滤不能动态的评估用户的兴趣。SDM能够动态的捕捉用户长短期用户兴趣。SDM主要解决两个问题：（1）一个session存在多类型用户兴趣。（2）长期的用户兴趣不能有效与当前session兴趣融合。采用多头注意力机制捕捉多样的用户兴趣。采用长短期
【序列推荐、长短期兴趣】SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
最新发布
CRW__DREAM的博客
12-13 609
本文提出了一种新型的序列推荐模型SDM，该模型基于自注意力机制，融合长期兴趣和短期兴趣来捕捉用户动态偏好。
RS Meet DL(63)-[阿里]大型推荐系统中的深度序列匹配模型SDM
小小挖掘机
09-08 990
今天介绍的论文是：《SDM: Sequential Deep Matching Model for Online Large-scale Recommender Syst...
[论文笔记]SDM: Sequential Deep Matching Model for Online Large-scale Recommender System
北望花村
07-11 775
一.论文题目与作者 Lv F , Jin T , Yu C , et al. SDM: Sequential Deep Matching Model for Online Large-scale Recommender System[J]. 2019. 二.摘要 这是主要介绍推荐系统中召回技术的一篇文章。主要创新点包括： 1.在用户短期行为中通过multi-head self-attention捕获多种兴趣； 2.通过门控融合模块同时利用用户的短期行为和长期行为。 三.网络结构 线上结
2020-CIKM-Sequential Recommender via Time-aware Attentive Memory Network.pptx
02-06
2020年CIKM会议上的研究提出了“时间感知注意力记忆网络”（Time-aware Attentive Memory Network, TAMN），旨在解决这一问题。 首先，用户的行为序列复杂多变，传统的循环神经网络如GRU（门控循环单元）和LSTM（长...
CIKM2019-graph-for-recommendation.pdf
11-11
CIKM2019-graph-for-recommendation,CIKM会议报告。 Collaborative Filtering（CF） Generic Featured-based Models：
Fi_GNN:[CIKM 2019]“ Fi-GNN的代码和数据集
05-04
CIKM2019中我们论文的代码和数据：Fi-GNN：通过图形神经网络为CTR预测建模特征交互， 。 首先将输入的稀疏多场特征向量映射到稀疏的一热嵌入向量，然后通过嵌入层和多头自注意层将其嵌入到密集场嵌入向量中。 然后...
CIKM-AnalytiCup-2020：https：//tianchi.aliyun.comcompetitionentrance531806
02-14
CIKM-AnalytiCup-2020是由阿里云主办的数据分析竞赛，旨在促进信息检索（IR）和知识管理（KM）领域的技术创新与实践应用。这个比赛为参赛者提供了运用机器学习、深度学习和数据分析技能的机会，挑战可能涉及到数据...
SDM (slice data model) 即将诞生
纸上得来终觉浅，绝知此事要躬行
10-09 591
<br />终于决定放弃目前主流xml解析器，转而打造自己的解析引擎，以及新型数据结构模型-SDM（Slice Data Model），来支持xml、JSON数据结构，以适应未来以service为中心的互联网应用。<br /> <br />看似简单的解析器，做起来还是比想象的要复杂一些，期间重新温习了一次词法分析相关内容，算是也找回了一点点“计算机专业”科班出身的感觉。<br /> <br />在代码即将完成的时刻，记录于此，算是给35岁的年龄增加一点点回忆吧。
推荐系统中的常用算法——序列深度匹配SDM
null的专栏
10-16 2924
1. 概述 2. 算法原理 参考文献 Lv F , Jin T , Yu C , et al. SDM: Sequential Deep Matching Model for Online Large-scale Recommender System[J]. 2019. [深度模型] 阿里大规模深度召回序列模型SDM SDM：用户长短期兴趣召回模型 ...
论文阅读：Deep Matching Prior Network: Toward Tighter Multi-oriented Text Detection
tobale的博客
06-28 2356
转载请注明本文出处，谢谢。 论文链接：Deep Matching Prior Network: Toward Tighter Multi-oriented Text Detection 1. Introduction       要说文字检测，那一定要先看一下目标检测。目标检测是近几年深度学习在计算机视觉领域发展最好的应用之一。     前一段时间华盛顿大学发布YOLO V3。...
推荐系统-论文阅读
serenysdfg的博客
03-06 471
1使用Bert来进行序列推荐-阿里 《BERT4Rec: Sequential Recommendation with Bidirectional Encoder》 局限性：之前的模型时从左到右的、单向结构限制了用户行为序列中隐藏表示的能力；它们通常假定一个严格有序的序列，而这并不总是实用的。 提出了 bert4rec 是应用deep biderectional self-attention ...
会话/序列推荐：Caser、SASRec、BERT4Rec [Session based / Sequential Recommendation]
Dive的博客
07-14 2378
目录Caser3 模型3.1 嵌入层3.2 卷积层3.3 全连接层3.4 训练3.6 与一些模型的关系 Caser 2018-WSDM-Personalized Top-N Sequential Recommendation via Convolutional Sequence Embedding 卷积序列推荐模型Caser，使用CNN从近期items序列中以局部特征的方式提取序列模式。 3 模型 为了捕获 用户的整体偏好和序列模式 联合级别和单独级别的i2i skip行为连接 3.1 嵌入层 use
EGES模型
Dive的博客
03-07 1661
目录2 FRAMEWORK先验知识——图嵌入框架+DeepWalk从用户行为构造物品图基础图嵌入带有side info的图嵌入加强版的带有side info的图嵌入5 RELATED WORK图嵌入带有side info的图嵌入用于RS的图嵌入 可伸缩性、稀疏性、冷启动 方法基于图嵌入框架，从用户序列构造出item图，学习到item的嵌入。为了解决稀疏性和冷启动问题，将side info也利用到图嵌入框架中。 2 FRAMEWORK 先验知识——图嵌入框架+DeepWalk 通过随机游走得到节点序列，ski
Neural Collaborative Filtering
Dive的博客
01-06 1597
目录2 PRELIMINARIES3. NEURAL COLLABORATIVE FILTERING3.1 通用框架3.2 广义矩阵分解(GMF)3.3 MLP3.4 GMF和MLP的聚合—NeuMF4 EXPERIMENTSQ1 NCF的效果比其他SOTA的隐式CF好吗？Q2 带有负采样的log loss（这个优化框架）是否适用于RS？Q3 更深的网络对于从交互数据中学习 有帮助吗？ 核心：内积的局限性，用神经结构代替内积。实验表明，使用更深层次的神经网络提供了更好的推荐性能。 2 PRELIMINAR
2021-WSDM-Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender
Dive的博客
03-22 1194
Decomposed Collaborative Filtering: Modeling Explicit and Implicit Factors For Recommender Systems 2021 WSDM CF的主题是表示学习。学习到的表示应该反映出： 由外在属性所显示的，比如book的作者、类型 由隐式因子所显示的，协同信号 3 问题描述 协作关系感知图，交互图+物品知识图谱 显示关系 R+R^+R+ 就是物品KG中的关系 隐式关系 R−={k1,k2,k3,k4}R^-=\{k_1,k
2020-KDD-Controllable Multi-Interest Framework for Recommendation
Dive的博客
03-21 1130
2020-KDD 阿里 多兴趣 召回 序列推荐，近期工作大多从用户的行为序列中提取出一个统一的嵌入，它不能反映用户在一段时间内的多兴趣。本文提出ComiRec，核心有两个模块： 多兴趣提取：使用胶囊网络或自注意力从用户的行为序列中为用户提取出K个兴趣向量 兴趣聚合：从K个兴趣向量检索出的K×topN个物品中选出最终的K个物品，引入可控制的参数来平衡推荐的准确性和多样性 2 RELATED WORK CF：MF、FM 神经网络RS：NCF、NFM、DeepFM、xDeepFM、DMF、DCN、CMN （

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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