Adversarial Multimodal Representation Learning for Click-Through Rate Prediction（阿里点击率预测）（MARN)

最新推荐文章于 2023-08-01 23:22:00 发布
最新推荐文章于 2023-08-01 23:22:00 发布
阅读量1.2k 收藏 4
点赞数
分类专栏： 多模态融合
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/weixin_41988545/article/details/112294649
版权

将多模态间的特征分为共同特征和模态独有特征，缩小共同特征差距使之映射到共同子空间

利用双鉴别器

第一个鉴别器用来识别多个模态的共同特征，并说明特征属于模态m的可能性p

定义权重w = 1-p来将这个权重结合多模态给第二个鉴别器鉴别

第二个鉴别器利用极大极小损失函数进行训练

 

十二分热爱
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
RS Meet DL(56)-[阿里]融合表示学习的点击率预估模型DeepMCP
小小挖掘机
07-14 716
本文介绍的论文名称是：《Representation Learning-Assisted Click-Through Rate Prediction》论文下载地址为：ht...
Deep adversarial metric learning for cross-modal retrieval
02-08
Deep adversarial metric learning for cross-modal retrieval
多模态,推荐系统----Adversarial Multimodal Representation Learning for Click-Through Rate Prediction
weiwei935707936的博客
12-01 703
【论文】Adversarial Gradient Driven Exploration for Deep Click-Through Rate Prediction
Citroooon的博客
02-12 218
阿里妈妈 2022 kdd。
论文Disguise Adversarial Networks for Click-through Rate Prediction
fredinators的博客
03-12 872
本文引入了一个对抗性学习框架来提高广告推荐CTR预测。使用DAN方法给广告化妆。DAN将一个不受欢迎的广告impression（non-click）伪装成一个有趣的，然后鼓励分类器将这些伪装的广告分类到正类的推荐中。在另一方面，鉴别器将通过无监督的信息理论分配策略对这些伪装的广告进行优化分配到其本身的类别。DAN由GAN而来。GAN有许多不同的创新，然而它的中心概念仍然是生成器G和分类器D的一个博...
基于对抗梯度的探索模型及其在点击预估中的应用
阿里妈妈技术
08-24 414
✍????本文作者：风徜、明言、兴澜、寒戍、孟诸、玺羽1. 摘要排序模型在广告、推荐和搜索系统中起到了至关重要的作用。在排序模块中，点击率预估技术又是重中之重。目前工业界的点击率预估技术大多采用深度学习算法，基于数据驱动来训练深度神经网络，然而数据驱动带来的相应问题是推荐系统中的新进项目会存在冷启动问题。探索与利用（Exploration-Exploitation，E&E）方法通常用于处理大规...
【Paper Note】Representation Learning-Assisted Click-Through Rate Prediction (DeepMCP) 论文详解
roguesir的博客
10-10 1245
https://arxiv.org/pdf/1906.04365.pdf
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
02-08
GCGAN: Generative Adversarial Nets with Graph CNN for Network-Scale Traffic Prediction
Adversarial Learning for Weakly-Supervised Social Network Alignment
02-08
Adversarial Learning for Weakly-Supervised Social Network Alignment
adversarial-learning-for-stance
04-11
对抗性学习的社交媒体零发姿态检测 要求 python 3.7.6 变形金刚3.4.0 pytorch 1.5.1 numpy的1.18.1 熊猫1.0.3 scipy 1.4.1 培训TOAD cd src / 创建文件夹数据，并在其中创建一个名为resources的文件夹。...
Generative-Adversarial-User-Model-for-Reinforcement-Learning-Based-Recommendation-System-Pytorch
05-24
生成的基于专家的用户模型用于基于学习的推荐系统Pytorch的强化学习 基于纸张的下相同的标题剖成Adverserial强化学习基于用户模型实现推荐系统的Pytorch执行 此回购包括： 必要数据（Yelp评论） ...
Disguise Adversarial Networks for Click-through Rate Prediction及其参考
sinat_41679123的博客
04-07 192
原文的创新点有2个：用GAN做数据增强、在loss中引入互信息以减小cluster margin。相关的文献主要也是这两个方面
ctr相关论文笔记
sinat_41679123的博客
03-22 375
ctr相关2015~2021年论文，包含： 特征交叉相关
美团用户序列建模SDIM
最新发布
whgyxy的博客
08-01 418
本文提出的SDIM(Sampling-based Deep Interest Modeling),基于采样的端到端的方法来建模长期用户行为序列。从多个hash函数中采样产生候选物料和用户序列行为的hash签名，然后直接聚合具有和候选物料相同的hash签名的行为序列，得到用户的长期序列兴趣向量。
Multimodal Fusion（多模态融合）
热门推荐
nakaizura
03-28 16万+
Jeff Dean：我认为，2020年在多任务学习和多模态学习方面会有很大进展，解决更多的问题。我觉得那会很有趣。 多模态融合 （Multimodal Fusion） 一般来说，每一种信息的来源或者形式，都可以称为一种模态（Modality），目前研究领域中主要是对图像，文本，语音三种模态的处理。之所以要对模态进行融合，是因为不同模态的表现方式不一样，看待事物的角度也会不一样，所以存在一些交叉（所...
SIGIR'22 | 广告间排序和广告内创意优选联合优化
阿里妈妈技术
07-27 820
1. 摘要广告创意是展示商品内容、传达商家营销信息的直接载体。商家通常会为一个商品创作多种不同的创意，由于不同用户的关注点不同，这些候选创意所对应的投放效果则相差甚远。创意优选的目的是学习用户对于广告创意的偏好，为用户挖掘及展现最具吸引力的广告创意内容以最大化广告收益。然而，目前业内普遍的做法是将创意优选放在排序阶段之后，这将导致排序模型无法感知到广告创意，即广告内的创意...
Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction简析
loserChen的博客
06-24 1875
Practice on Long Sequential User Behavior Modeling for Click-Through Rate Prediction Introduction 文章将用户表现建模分解为两个视角。从服务系统的角度，作者设计了一个用户兴趣中心模块（UIC），UIC维护用户最新的兴趣表示向量。从机器学习算法的角度，作者提出了MIMN（多信道的用户兴趣内存网络），借鉴于...
推荐算法最前沿|CIKM2020推荐系统论文一览
abcdefg90876的博客
10-12 4934
作者：学派链接：https://zhuanlan.zhihu.com/p/261077109CIKM2020(http://www.cikm2020.org/)是数据挖掘相关领域一大盛会...
KDD2021| 工业界搜推广nlp论文整理
abcdefg90876的博客
07-13 1543
本文整理了KDD21的Accepted Papers[1]中，工业界在搜索、推荐、广告、nlp上的文章。整理的论文列表比较偏个人口味，选取的方式是根据论文作者列表上看是否是公司主导的，但判...
Feature Representation Learning for Unsupervised Cross-domain Image Retrieval
05-11
Feature representation learning for unsupervised cross-domain image retrieval refers to the process of extracting meaningful features from images in one domain (e.g., paintings) and using those ...

“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