推荐系统
文章平均质量分 93
推荐系统
静心问道
这个作者很懒,什么都没留下…
展开
-
NCF模型
NCF论文地址:https://arxiv.org/pdf/1708.05031.pdf论文名称:Neural Collaborative Filtering目前深度学习在推荐中的应用,主要采用一些辅助信息,例如:item的文本描述、音乐的声学特征。当采用协同过滤对用户和Item交互建模时, 他们仍然采用矩阵分解,对user和item的特征做内积。NCF (Neural network based Collaborative Filtering)从数据中学习网络结构替换内积。为了捕捉非线性关系,我们原创 2022-01-28 08:36:42 · 2194 阅读 · 0 评论 -
MIND模型
Multi-Interest Network with Dynamic Routing for Recommendation at Tmall1.胶囊网络将图像倒立,识别率会下降,将眼睛和嘴调换位置,仍能识别为人,所以CNN缺乏对相对空间位置的表达。非洲还是澳大利亚?转换坐标系,其实是非洲。low level capsule转化为high level capsule, 每个low level相当于表示实体的不同部分, high level表示整个实体。三角形的第1个分量表示方向,整个 范数表原创 2022-01-15 23:05:58 · 1199 阅读 · 0 评论 -
SDM模型
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。采用长短期原创 2022-01-15 23:03:27 · 4494 阅读 · 0 评论 -
Wide&Deep
Wide&Deep论文名称:Wide & Deep Learning for Recommender Systems论文链接:https://arxiv.org/pdf/1606.07792.pdf通过wide侧Memorization of feature interactions是很有效的、解释性非常好,但是需要很多的特征工程。对于sparse特征来说,deep神经网络能够实现不易观察的特征组合。当用户和item的交互非常稀疏和high-rank,深度网络模型容易过拟合,推荐一些不原创 2022-01-25 09:11:52 · 71 阅读 · 0 评论 -
DeepFM模型
在推荐系统中,学习特征的交互对于最大化CTR是非常重要的。尽管现有的方法都取得很大的成功,对于低阶和高阶的特征交互研究很少,还需要一些实验和特征工程。在本文中,我们展示了低阶和高阶交互的端对端学习。采用的模型是DeepFM,它将推荐系统的FM模型和深度模型进行整合。通过和谷歌的Wide&Deep模型对比,DeepFM的wide和deep部分共享输入,不需要对原始数据进行特征工程。基于bench-mark data和commercial data对DeepFM在CTR预估方面进行综合试验。1.简介原创 2022-01-15 22:52:36 · 1897 阅读 · 0 评论 -
ESMM模型
ESMM在 “曝光 -> 点击 -> 转化” 链路上,CTR 预估任务预估每个曝光被用户点击的概率,CVR 预估任务预估每个点击被转化的概率。和 CTR 相比,CVR 更关注预测用户有没有商品购买、游戏注册、表单登记等转化行为。常规的 CVR 预估模型采用和 CTR 预估模型类似的深度学习方法,但是在具体应用中面临几个特殊的问题:样本选择偏差 sample selection bias:SSB 问题:传统的 CVR 模型是在点击样本上训练的,但是推断是在曝光样本上进行的。这导致原创 2022-01-15 22:47:22 · 694 阅读 · 0 评论 -
DIN模型
Deep Interest Network for Click-Through Rate Prediction摘要在工业界,点击率预估是一项基本的任务,例如线上广告。最近基于Embedding和MLP的深度学习模型特别的流行。将大量稀疏特征转化为低维的Embedding向量,以分组的转化为固定的长度,然后拼接在一起喂给全连接层,学习特征的非线性关系。**通过这种方式,用户的特征被压缩成固定长度的向量表达,但是,没有考虑广告的候选集是什么。**由于用户行为丰富多变,使用固定长度的向量,不能很好地表征用户兴原创 2022-01-15 22:43:24 · 2230 阅读 · 0 评论 -
FM和FFM
FM和FFMFM(Factorization Machines)和FFM(Field-aware Factorization Machines)主要应用于稀疏特征矩阵中的CTR预估。本文对其进行简单介绍,希望对大家有所帮助。1.FMFM模型使用因子分解的方式计算变量之间的交互项,能够解决特征交互所带来的稀疏问题(像推荐系统),其计算的复杂度是线性的。1.1问题描述前提假设:特征向量XXX是非常稀疏的,例如:x\text{x}x中大多数元素xix_ixi都为0,设m(x)m(x)m(x)为向量中非原创 2022-01-15 21:30:42 · 595 阅读 · 0 评论