DLRM模型-facebook

最新推荐文章于 2024-09-28 21:20:32 发布
最新推荐文章于 2024-09-28 21:20:32 发布
阅读量4.2k 收藏 8
点赞数 2
分类专栏： 论文-推荐 文章标签： 论文 推荐 深度学习
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/serenysdfg/article/details/96623363
版权
Facebook发布的深度学习推荐模型(DLRM)结合了协同过滤与预测分析原理，有效处理大规模工业数据。DLRM利用公开数据集如Kaggle展示广告挑战赛数据集进行训练，同时处理密集与稀疏特征，通过嵌入表处理稀疏特征，利用多层感知器处理密集特征。
摘要由CSDN通过智能技术生成

目录

Facebook的深度学习推荐模型：DLRM模型-2019年5月

 Facebook 开源的PyTorch 和 Caffe2 平台实现的

使用公开数据集

使用密集和稀疏特征

模型

Facebook的深度学习推荐模型：DLRM模型-2019年5月

DLRM 开源地址：https://github.com/facebookresearch/dlrm

DLRM 论文：https://arxiv.org/abs/1906.00091

参考推送：https://mp.weixin.qq.com/s/mUNjLuOG2UvztCEP3wyPPw

 Facebook 开源的PyTorch 和 Caffe2 平台实现的


通过将协同过滤和基于预测分析的方法的原理结合起来，改进了其他模型，从而使其能够有效地处理工业规模的数据，并提供最先进的结果。

 

使用公开数据集

 

包括 Kaggle 展示广告挑战赛数据集（Kaggle Display Advertising Challenge Dataset）。该数据集包含 13 种连续特征和 26 种类别特征，定义了 MLP 输入层的大小，以及嵌入的数量，其他参数则可以使用命令行定义

该模型使用嵌入来处理表示的稀疏特征，分类数据和多层感知器（MLP）处理密集特征，然后进行相互作用

 最后，它找到了这个事件通过后处理与另一个MLP的交互的概率。 我们将此模型称为深度学习推荐模型（DLRM）;

使用密集和稀疏特征

密集特征是浮点值的向量，稀疏特征是嵌入表的稀疏索引列表，嵌入表由浮点值向量组成。所选择的矢量被传递到由三角形表示的 mlp 网络，在一些情况下，矢量通过操作符（Ops）进行交互。

论文利用模型并行设计了一个专门的并行化方案。嵌入表上的lelism可以在利用时减轻内存限制数据并行性以从完全连接的层中向外扩展计算。未来的算法实验和系统协同设计。

模型

工业界推荐系统必读论文：基于深度学习的推荐模型——DLRM
Paper weekly
11-25 2029
作者丨纪厚业单位丨北京邮电大学博士生研究方向丨异质图神经网络及其应用引言推荐系统尤其是深度推荐系统已经在工业界得到了广泛应用，尤其是在电商场景下（如淘宝和京东的商品推荐）...
DLRM
zhangwl27的专栏
10-11 1636
个性化推荐系统现在应用于很多大的网络公司的任务中，包括广告的ctr预测和排序。尽管这些方法已经有了很久的历史，但是这些方法只是进来才有神经网络的。针对个性化推荐的深度学习模型的结构设计主要两个方面的贡献。 第一个来自推荐系统的观点。这些系统最初使用content filtering，一些专家将产品分类，用户选择他们喜欢的类别，然后基于他们的喜好匹配。该领域后来发展到使用collaborat...
从Wide and Deep、DeepFM到DLRM，现代的推荐系统算法研究
deephub
01-26 5329
深入研究Facebook和谷歌等公司建立业务的人工智能算法。 2019年5月，Facebook开放了他们的一些推荐方法，并引入了DLRM(深度学习推荐模型)。这篇文章旨在解释DLRM和其他现代推荐方法是如何以及为什么能够如此出色地工作的，通过研究它们是如何从该领域以前的结果中衍生出来的，详细解释它们的内部工作原理和思路。 基于AI的个性化广告已成为在线营销中的标准配置，而Facebook，Google，Amazon，Netflix等公司是在线营销之王，因为他们不仅采用了这种趋势，而且从根本上发明了这种趋势
DLRM：深度学习推荐模型的开源实现
gitblog_07188的博客
09-13 315
DLRM：深度学习推荐模型的开源实现 dlrm An implementation of a deep learning recommendation model (DLRM) 项目地址: https://gitcode.com/...
Deep Learning Recommendation Model（DLRM）
null的专栏
04-03 7705
1. 概述 DLRM（Deep Learning Recommendation Model）[1]是Facebook在2019年提出的用于处理CTR问题的算法模型，与传统的CTR模型并没有太大的差别，文章本身更注重的是工业界对于深度模型的落地，在文中介绍了很多深度学习在实际落地过程中的细节，包括如何高效训练。在此我们更多的是关注模型本身，尝试揭开DLRM模型的本质。在DLRM模型中，突出解决两个问题： 第一，如何处理离散特征。CTR的训练样本中包含了大量的离散的类别特征，这样的数据是不能直接放入到深度学习
DLRM（Deep Learning Recommendation Model）：深度学习推荐模型
weixin_46251155的博客
04-28 930
DLRM（Deep Learning Recommendation Model）是一种深度学习推荐模型，它结合了深度学习技术来改进推荐系统的性能。DLRM 通常用于在线广告投放、个性化推荐、产品推荐等领域，它通过学习用户的行为模式和偏好来提供更加精准的推荐结果。由于其高效的处理能力和良好的推荐效果，DLRM 成为了推荐系统中的一个重要工具。：DLRM 能够处理大规模的数据集，适用于需要处理数百万用户和物品的推荐场景。：DLRM 通过精心设计的网络结构来捕捉用户和物品之间的复杂交互。
探索Facebook Research的DLRM：深度学习推荐模型
gitblog_00024的博客
04-25 804
探索Facebook Research的DLRM：深度学习推荐模型 dlrmAn implementation of a deep learning recommendation model (DLRM)项目地址:https://gitcode.com/gh_mirrors/dl/dlrm 引言 在大数据时代，个性化推荐系统已经成为互联网服务的核心部分，用于提升用户体验和商业价值。），这是一个基...
【电商搜索】现代工业级电商搜索技术-Facebook语义搜索技术QueSearch
最新发布
09-28 1329
本文要介绍的这篇论文是Facebook发表在KDD 2021的ADS Track的论文。通常情况下，论文所描述的问题和解决方案，与公司实际业务中遇到的现实问题有密切关联。这篇论文介绍了“Que2Search”，这是Facebook部署的一个查询和产品理解系统(如下图1)，用于搜索功能。该系统通过多任务和多模态学习方法来训练查询和产品表示，实现了超过 5% 的绝对离线相关性改进和超过 4% 的在线参与度提升。
DLRM CTR预估算法在PaddlePaddle框架下的复现教程
- **资源类型**: 此资源提供的不仅仅是可执行代码，还有丰富的学习材料，如示例代码展示了如何使用DLRM模型进行CTR预估，文档提供了详细的模型架构和使用指南，演示可能通过图表或实际案例展示模型效果。 #### 6. ...
NVIDIA GPUs上深度学习推荐模型的优化
吴建明wujianming_110117
06-19 903
NVIDIA GPUs上深度学习推荐模型的优化 Optimizing the Deep Learning Recommendation Model on NVIDIA GPUs 推荐系统帮助人在成倍增长的选项中找到想要的东西。是在许多在线平台上推动用户参与的关键组件。 随着工业数据集规模的迅速增长，利用大量训练数据的深度学习推荐模型（deep learning，DL）已经开始显示出其相对于传统方法的优势。现有的基于DL的推荐系统模型包括广度和深度模型、深度学习推荐模型（DLRM）、神经协同滤波（NCF）、变
Facebook深度个性化推荐系统经验总结
weixin_45519842的博客
01-30 768
作者信息：纪厚业，北京邮电大学博士生，关注异质图神经网络及其应用 知乎专栏对公式支持较好, 见 https://zhuanlan.zhihu.com/c_1158788280744173568 个人公众号 图与推荐 前言 推荐系统尤其是深度推荐系统已经在工业界得到了广泛应用，尤其是在电商场景下（如淘宝和京东的商品推荐）。一个好的工业级推荐系统可以推动业务增长带来大量的经济效益。那么，工业级推荐...
Facebook推荐算法模型DLRM解读
weixin_30755393的博客
07-26 422
参考：https://mp.weixin.qq.com/s/mUNjLuOG2UvztCEP3wyPPw 代码：https://github.com/facebookresearch/dlrm 转载于:https://www.cnblogs.com/graybird/p/11247806.html
【Pytorch基础教程40】DLRM推荐算法模型部署
发现问题，并解决问题，批判性思维
06-01 1984
一、DLRM模型 DLRM是2020年meta提出的工业界推荐算法模型，模型结构非常简单，也没用到什么attention机制等的东西，更多是注重在推荐系统稀疏特征场景下的落地： sparse feature：离散的类别特征，通过embedding层转为稠密embedding；通过Embedding将其映射成一个稠密的连续值。假设one-hot编码后的向量是 � � e i ​ , 向量中除了第 i i 个位 置为1外, 通过Embedding后得到的embedding向量为 � � w i ​
DLRM:Deep Learning Recommendation Model for Personalization and Recommendation Systems论文阅读笔记
sa726663676的博客
08-13 3918
介绍： 对于一个神经网络来说，有效地处理稀疏数据是很有挑战性的。由于缺乏代表性模型和数据集的公开可用细节，导致对推荐系统的研究进展缓慢。 DLRM（Deep Learning Recommendation Model）是深度学习推荐模型的实现，用于个性化推荐。DLRM通过结合协同过滤和基于预测分析的方法的原理，在其他模型的基础上取得了进展，这使得它能够有效地处理生产规模的数据，并提供最先...
探索深度学习推荐模型（DLRM）：个性化与推荐系统的新前沿
gitblog_01033的博客
08-07 467
探索深度学习推荐模型（DLRM）：个性化与推荐系统的新前沿 dlrmAn implementation of a deep learning recommendation model (DLRM)项目地址:https://gitcode.com/gh_mirrors/dl/dlrm 在数字化时代，个性化推荐系统已成为连接用户与内容的桥梁。Facebook推出的深度学习推荐模型（DLRM）正是这一...
Facebook2019的DLRM
smartcat2010的博客
10-22 484
《Deep Learning Recommendation Model for Personalization and Recommendation Systems》 模型结构：dense特征，经过bottom MLP的变换，得到一个embedding; 和类别特征的embedding们，两两之间做向量点乘（类似FM的思想），得到的很多乘积串成一个向量，输入到top MLP里面，最后过sigmo...
社群深度学习建议DLRM正式开源
SBFPLAY直播记录馆
07-05 334
人工智能相关技术开发，很多时候都需要大型科技企业提供资源方可顺利进行。其中社群在这方面投放不少资源，最近再次将旗下人工智能工具开源，为开源开发社群提供实际协助。这次开源的是深度学习建议模型（Deep Learning Recommendation Model，DLRM）。DLRM 是先进的 AI 模型，用于生产环境提供个人化结果。模型可用于 社群的 PyTorch、社群分布式学习框架 Caffe2...
facebook 将协同过滤加上深度学习来解决搜索推荐问题 (二) - 论文翻译
1066196847的博客
07-05 2201
总述：facebook 在技术行业上一直和谷歌这些公司一样，处于一个领头羊的地位，在 facebook 的业务当中，搜索推荐算法一直是一个比较重要的板块，在今年他们提出来一个新的算法，就是在“深度方法”的基础上，再加上这个行业刚兴起时候的“协同过滤”！本文先从论文翻译入手，后续还会给出源码理解、以及博主的实践理解 原文地址链接：https://arxiv.org/pdf/1906.0009......
山东大学机器学习大作业
qq_50213874的博客
03-22 5192
DLRM是Facebook在2019年提出的用于处理CTR问题的算法模型，与传统的CTR模型并没有太大的差别，文章本身更注重的是工业界对于深度模型的落地，在文中介绍了很多深度学习在实际落地过程中的细节，包括如何高效训练。第一，如何处理离散特征。CTR的训练样本中包含了大量的离散的类别特征，这样的数据是不能直接放入到深度学习模型中，在DLRM中，通过Embedding层将离散的特征转化成稠密的特征；特征交叉对于CTR问题的求解具有重要的作用，在DLRM模型中，模仿着FM算法中的做法，对向量两两做点积。
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