shopee——排序模型AUC还能涨吗？

已于 2023-09-16 19:40:27 修改
阅读量323 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： # 技术分享 推荐 文章标签： 推荐系统
于 2023-09-16 11:31:39 首次发布
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/uncle_ll/article/details/132915395
本文探讨了CBMRMultiCBMRSampleWeightAssignment模型，一种用于点击率预测的多任务推荐系统。它考虑了用户和商品的top-k邻居，通过权重设计和平滑处理实现个性化。特别关注新用户与忠诚用户对不同任务指标的差异性处理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

CBMR

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

MultiCBMR

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Sample Weight Assignment

  • Click-aware Structure Transfer with Sample Weight Assignment for Post-Click Conversion Rate Estimation

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 每个用户的top-k 邻居
  • 每个商品的top-k 邻居
  • 平滑处理并构图
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 交叉熵函数
  • 前面的权重设计

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

多任务推荐模型

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 新用户：下单少
    在这里插入图片描述
  • 忠诚用户：平台熟悉，下单多

在这里插入图片描述
在这里插入图片描述

  • 不同用户群体对于不同任务指标的偏好大相径庭

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

两个模型auc值统计分析_比较两个疾病模型的预测能力，AUC和NRI了解一下？
weixin_39982580的博客
01-28 5925
在上一期内容中，我们介绍了当考察一个疾病预测模型好坏的时候，常常会关注到2个维度，一个是预测模型的区分度(Discrimination)，它反映了该模型是否能够将患者和非患者区分开来的能力；另一个维度是预测模型的校准度(Calibration)，它反映了该模型预测结果与实际情况的符合程度。(点击查看：你的预测模型靠谱吗？详解区分度和校准度的SPSS操作！)那么对于两个疾病风险预测模型，应...
loss下降auc下降_比较两个疾病模型的预测能力，AUC和NRI了解一下？
weixin_39771969的博客
11-19 737
在上一期内容中，我们介绍了当考察一个疾病预测模型好坏的时候，常常会关注到2个维度，一个是预测模型的区分度(Discrimination)，它反映了该模型是否能够将患者和非患者区分开来的能力；另一个维度是预测模型的校准度(Calibration)，它反映了该模型预测结果与实际情况的符合程度。(点击查看：你的预测模型靠谱吗？详解区分度和校准度的SPSS操作！)那么对于两个疾病风险预测模型，应该选用哪一...
搜索推荐大厂实践文章
kk的博客
02-22 2077
大厂实践文章 公司 内容 标签 状态 美团 美团交易视频推荐探索与实践 推荐 2023-12-23 美团 内容搜索算法优化的探索与实践 搜索 2023-12-23 百度 百度视频推荐跨域多目标预估与融合的实践和思考 推荐 2023-11-29 网易 网易云音乐推荐系统的冷启动技术 冷启动 2023-11-10 华为 多任务和多场景在华为推荐系统中的应用 推荐 2023-11-09
2022计算机视觉算法工程师面经-字节、商汤、海康、快手
weixin_40920183的博客
07-26 1352
作者：zerone@知乎，浙大电子信息，文章经过作者同意转载。先说下本人情况：- 本科北交大，保研到浙江大学电子信息，科班，目前研一- 一篇很水的顶会，一篇ccfb，两个都是共一，CV方向的(医学图像）- 一篇北京市优秀本科毕业论文+一段小公司3个月左右的实习# 字节（最终过，但是由于个人选择，没去）很可惜，base在北京，qaq，我人在杭州，实验室还有很多工作要做，不然...
[特殊字符] 第九讲 | ROC曲线与AUC值——如何量化分类模型的好坏？（附R语言代码包）
weixin_73531395的博客
04-11 475
📘 专栏：科研统计方法实战分享 | 地学/农学人的数据分析工具箱✍️ 作者：平常心0715🧠 本讲关键词：ROC曲线、AUC值、分类模型评估、R语言实战。
为什么搜索与推荐场景用AUC评价模型好坏？.pdf
08-12
本文将从AUC评价模型的理解、特性、计算方法、排序能力、排序特性、AUC值的含义、AUC与线上业务指标的关系等方面进行详细的探讨。 一、AUC评价模型的理解 AUC（Area under the Curve of ROC）是搜索与推荐场景中一...
推荐系列（五）：协同过滤的优点和缺点
热门推荐
uncle_ll的博客
07-11 1万+
协同过滤的优点和缺点 协同过滤的相关知识点介绍完毕，现在对其优缺点进行总结。 优点 无需领域知识：不需要掌握专门的领域知识，因为embedding是自动学习得到的。 更机缘巧合：该模型可以帮助用户发现新的兴趣。机器学习系统可能不知道用户对某个给定的项目感兴趣，但模型可能仍然推荐出它，因为相似用户对该项目感兴趣。 好的起点：在某种程度上，系统仅需要反馈矩阵来训练矩阵分解模型（FM）。特别是，该模型...
推荐系列（七）：召回器，排序器，重排及总结
uncle_ll的博客
08-15 5101
召回|Retrieval 假设你有一个嵌入模型。给定用户，该如何决定推荐哪些项目？ 在服务时，给定查询，可以从执行以下操作之一开始： 对于矩阵分解模型，查询（或用户）嵌入是静态已知的，并且系统可以简单地从用户嵌入矩阵中查找到它； 对于DNN模型，系统在服务时，需要运行网络计算查询特征向量的嵌入 。 一旦获得了查询嵌入q ，只需要在嵌入空间搜索距离接近的项目——这是最近邻问题（nearest...
推荐系列（四）：矩阵分解|Matrix Factorization
uncle_ll的博客
06-27 2113
矩阵分解|Matrix Factorization 在上节讲过，用户和item之间的关系可以用一个关系矩阵表示，而矩阵分解式一个简单的嵌入模型。假设一个用户反馈矩阵：A∈Rm×nA \in R^{m \times n}A∈Rm×n，其中m表示用户的数量，n表示item的数量 用户嵌入矩阵 U∈Rm×dU \in \mathbb R^{m \times d}U∈Rm×d 商品嵌入矩阵 V∈Rn...
推荐系列（六）：深层神经网络模型（1）
uncle_ll的博客
07-30 1468
上一节展示了如何使用矩阵分解来学习嵌入。但矩阵分解存在一些局限性，包括： 使用侧面特征困难（即查询ID /项目ID以外的任何特征）。因此，只能使用训练集中存在的用户或项目来查询模型。 建议的相关性。每个人都倾向于推荐受欢迎的项目，特别是在使用点积作为相似性度量时。最好是能够捕获特定的用户兴趣。 深度神经网络（DNN）模型可以解决矩阵分解的这些局限性。DNN可以轻松地合并查询特征和项目特征（由于...
推荐系列（一）：什么是推荐？
uncle_ll的博客
06-05 1210
什么是推荐？ YouTube如何知道你可能希望接下来要观看的视频？Google Play商店如何为你挑选应用？这些恰到好处的推荐是魔法吗？答案当然是不，上述情况下，基于机器学习（ML）的推荐模型都可以确定视频和应用与你喜欢的其他内容的相似程度，然后提供推荐。推荐通常会有两种形式： 主页建议(home page recommendations)； 相关项目建议(related item reco...
记一次LightGBM-GBDT参数调整经历
uncle_ll的博客
05-09 974
记一次LightGBM-GBDT参数调整经历 调整原因：项目要从有验证集的训练方式转变为无验证集的训练方式。 问题：有验证集的训练方式可以通过验证集earlystop来控制训练的过拟合问题，换成无验证集的训练方式后，无法继续通过使用earlystop这种方式来减少过拟合了，需要增强其他的正则。 项目使用工具包：LightGBM，树模型为GBDT https://github.com/micros...
推荐系列（二）：生成候选者概述
uncle_ll的博客
06-13 913
生成候选者概述 在上一节介绍了推荐系统的基本框架： ![image-20190613194816277](/Users/duanzhicheng/Library/Application Support/typora-user-images/image-20190613194816277.png) 可以看到，生成候选人（generate candidate）是推荐的第一阶段，也被称作retrieve...
推荐系列（三）：协同过滤
uncle_ll的博客
06-17 791
协同过滤 为了解决基于内容过滤的一些限制，协同过滤同时使用用户和项目之间的相似性来提供推荐。这样会允许偶然的推荐出现; 也就是说，协同过滤模型可以基于类似用户B的兴趣向用户A推荐项目。此外，可以自动学习embedding特征，而不依赖于手工设计的特征。 电影推荐示例 假设现有一个电影推荐系统，其中训练数据由反馈矩阵组成，其中： 每行代表一个用户。 每列代表一个项目（电影）。 有关电影的反馈分为...
推荐系列（六）：深层神经网络模型（2）
uncle_ll的博客
08-09 394
Softmax训练 上一节解释了如何将softmax层合并到推荐系统的深度神经网络中。本节将详细介绍此系统的训练数据。 训练数据 softmax训练数据由查询特征X以及用户与之交互的项目向量（表示为概率分布 p）组成，在下图中用蓝色标记。模型的变量是不同层中的权重，在下图中用橙色标记。通常使用随机梯度下降或其变体方法来训练模型。 负抽样 由于损失函数比较两个概率向量 p,p^(x)∈Rn{p, ...
DataFun：推荐系统峰会
uncle_ll的博客
08-26 386
2023推荐系统峰会
studio_video_1756387311135.mp4
最新发布
08-28
studio_video_1756387311135.mp4
光伏发电MPPT扰动观察法的MatlabSimulink模型实现与优化
08-28
内容概要：本文详细解析了基于Matlab/Simulink平台搭建的光伏发电最大功率点跟踪（MPPT）模型，核心采用扰动观察法（P&O）实现。通过自定义S-Function编写MPPT控制算法，结合光伏阵列建模、参数设置及系统调试，深入阐述了电压电流采样、功率计算、步长调节、振荡抑制等关键环节。作者分享了实际仿真中遇到的问题与优化策略，如引入死区阈值减少功率抖动、合理设置采样时间以匹配开关频率，并指出使用Three-Phase V-I Measurement模块提升测量精度的经验。 适合人群：具备Matlab/Simulink基础，从事新能源发电、电力电子或自动控制方向的工程师与高校学生。 使用场景及目标：①学习并实现MPPT中扰动观察法的核心逻辑；②掌握Simulink中光伏系统建模与控制器设计方法；③优化MPPT系统动态响应与稳定性。 阅读建议：建议结合Simulink环境动手复现模型，重点关注控制器代码逻辑与参数调优过程，同时注意环境温度与光照强度对输出特性的影响，加深对MPPT控制策略的理解。
什么是AUC（AU ROC）？什么时候使用
09-04
AUC，全称为Area Under the Curve，即曲线下面积，通常指Receiver Operating Characteristic（ROC曲线）下的面积。ROC曲线是一种二分类模型性能评估工具，它展示了真正例率（True Positive Rate, TPR）与假正例率（False Positive Rate, FPR）之间的关系。当模型的阈值变化时，TPR会随着FPR增加而改变，ROC曲线就是这些点的连接线。 AUC的值范围从0到1，其中1表示完美分类，0表示随机猜测。一般来说，AUC越大，模型区分正负样本的能力越强。因此，在选择模型时，特别是在不平衡数据集或者类别重要性差异较大的场景下，AUC是一个常用的评价指标，尤其是在医疗诊断、信用风险评估等领域。
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

uncle_ll

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