#苦行僧
这是我随心所欲记录笔记的地方,喜欢的方向:| NLP | CV | ML | 搜广推 | SE+AI |。
展开
-
DIN - 序列模型之深度兴趣网络(阿里)
DIN - 序列模型之深度兴趣网络(阿里)原创 2023-07-18 22:34:37 · 561 阅读 · 0 评论 -
召回/粗排阶段 负样本常见构造方法
召回/粗排阶段 负样本常见构造方法原创 2023-05-18 17:11:12 · 845 阅读 · 0 评论 -
AITM - 多任务模型之顺序依赖性建模(美团)
AITM - 多任务模型之顺序依赖性建模(美团)原创 2023-05-18 17:06:41 · 587 阅读 · 0 评论 -
DSSM - 双塔经典模型(微软)
DSSM - 双塔经典模型(微软)原创 2023-05-18 17:04:48 · 719 阅读 · 0 评论 -
PLE - 多任务模型(腾讯)
PLE - 多任务模型(腾讯)原创 2023-05-18 16:48:01 · 851 阅读 · 0 评论 -
ESMM - 完整空间多任务模型(阿里)
ESMM - 完整空间多任务模型(阿里)原创 2023-05-18 16:40:53 · 535 阅读 · 0 评论 -
MMOE - 经典多任务模型(谷歌)
MMOE - 经典多任务模型(谷歌)原创 2023-05-18 16:34:02 · 1532 阅读 · 0 评论 -
DeepFM - 工业界经典baseline(哈工大 & 华为)
DeepFM - 工业界经典baseline(哈工大 & 华为)原创 2023-05-18 16:29:00 · 463 阅读 · 0 评论 -
Product-based Neural Networks (PNN) - 改进特征交叉的方式
搜广推 Product-based Neural Networks (PNN) - 改进特征交叉的方式原创 2023-03-03 16:57:23 · 588 阅读 · 3 评论 -
NeuralCF - 改进协同过滤+矩阵分解的思想
搜广推 NeuralCF - 改进协同过滤+矩阵分解的思想原创 2023-02-27 22:13:50 · 393 阅读 · 0 评论 -
Wide&Deep 与 Deep&CrossNetwork (DCN) - 记忆+泛化共存
搜广推 Wide&Deep 与 Deep&CrossNetwork (DCN) - 记忆+泛化共存原创 2023-02-27 20:53:49 · 503 阅读 · 0 评论 -
AutoRec与 Deep Crossing - 推荐系统深度学习模型开篇
搜广推 AutoRec与 Deep Crossing - 推荐系统深度学习模型开篇原创 2023-02-27 20:44:41 · 376 阅读 · 0 评论 -
GBDT+LR (GBDT负责自动特征筛选与组合 -> LR负责分类)
搜广推 GBDT+LR (GBDT负责自动特征筛选与组合 -> LR负责分类)原创 2023-02-08 17:50:44 · 739 阅读 · 0 评论 -
LR -> POLY2 -> FM -> FFM (从单阶特征到二阶交叉特征的引入及改进)
搜广推 LR -> POLY2 -> FM -> FFM (从单阶特征到二阶交叉特征的引入及改进)原创 2023-02-08 17:49:33 · 548 阅读 · 0 评论 -
隐语义模型(LMF)与矩阵分解(MF)
搜广推 隐语义模型(LMF)与矩阵分解(MF)原创 2023-02-08 17:48:29 · 733 阅读 · 0 评论 -
召回模型 协同过滤(Collaborative Filtering) - UserCF, ItemCF
搜广推 召回模型 协同过滤(Collaborative Filtering) - UserCF, ItemCF原创 2023-02-08 17:47:24 · 367 阅读 · 0 评论 -
召回层主流策略 (多路召回、Embedding召回)
搜广推 召回层主流策略 (多路召回、Embedding召回)原创 2023-02-08 17:44:49 · 1246 阅读 · 0 评论 -
搜广推 知识脉络整理
NLP 搜广推 知识脉络整理 开始 搜广推 的学习~ 本节我先来理清要学的知识和模型,然后后面我整理好各模型的讲解再在本文对应位置加上超链接。原创 2023-02-02 17:12:21 · 710 阅读 · 0 评论 -
《Matching User with Item Set: Collaborative Bundle Recommendation with Deep Attention Network》论文笔记
Matching User with Item Set:Collaborative Bundle Recommendation with Deep Attention Network背景:大多数推荐系统研究致力于推荐单一商品给用户。然而在现实中,平台需要给用户展示的是一些列的商品(捆绑销售策略,bundle:捆绑)。之前大部分是an item to a user,这篇论文的是 a set of items(a bundle) to a user这篇论文的主要工作就是关注于对用户和捆绑的商品集合的交原创 2021-04-18 22:04:45 · 619 阅读 · 0 评论 -
推荐系统中的pointwise和pairwise区别
推荐系统中常用的两种优化损失函数的机器学习范式:pointwise loss和pairwise loss。Pointwise 方法 Pointwise方法是通过近似为回归问题解决排序问题,输入的单条样本为得分-文档,将每个查询-文档对的相关性得分作为实数分数或者序数分数,使得单个查询-文档对作为样本点(Pointwise的由来),训练排序模型。预测时候对于指定输入,给出查询-文档对的相关性得分。pairwise loss : 最小化预测输出与目标值之间的平分损失,具体处理是在处理负样本时:把未观察原创 2021-04-18 16:59:29 · 3687 阅读 · 0 评论