推荐系统
文章平均质量分 94
AI_盲
努力爬。。。
展开
-
推荐系统近期论文
《Denoising User-aware Memory Network for Recommendation》[RecSys2021 Oral] 高德- 去噪用户感知记忆网络DUMN文章地址背景模型仅仅考虑了用户对什么商品感兴趣,并未对其不感兴趣的偏好进行建模,这将导致模型对用户学习到的表征是有偏的。用户的反馈数据分成显性反馈和隐性反馈两类: 显性反馈:能直接反映出用户感兴趣/不感兴趣的表征;信息准确但数据量较少;包括用户评分、打标签(喜欢或不喜欢)等。 隐性反馈...原创 2021-07-16 14:08:23 · 805 阅读 · 0 评论 -
推荐系统Bias汇总
文章:《Bias and Debias in Recommender System: A Survey and Future Directions》数据中的Bias选择偏差(Selection Bias):当用户可以自由选择要评分的项目时,会出现选择偏差,因此观察到的评分并不是所有评分的代表性样本。换言之,评级数据往往是不随机缺失的(MNAR)。例如:在rating数据集上面, 用户并非是随机打分的:1.用户会选择它们喜欢的商品进行打分;2.用户更倾向于给特别好的商品和坏的商品打分;解决方.原创 2021-07-05 22:03:35 · 561 阅读 · 1 评论 -
ATA笔记
One Model to Serve ALL:多场景下的星型CTR预估模型STAR解决问题一些场景较小,数据量也比较少,这对复杂CTR模型的学习带来困难。对于数据量少难以拟合的问题,常见的做法是复用大场景的模型,比如首猜或者购后的模型来进行服务。但是这样做没有充分利用本场景数据,造成CTR预估准度不足。 为每个场景都单独维护一个模型。由于我们的场景数非常多,每个场景维护独立的模型会对系统资源和人力成本带来巨大的压力和挑战。网络结构参数共享Scenario-Specific FCN原创 2021-02-02 18:13:29 · 1226 阅读 · 0 评论 -
推荐系统方法概览
1>基于用户属性的推荐:根据系统用户的基本信息发现用户的相关程度,然后将相似用户喜爱的其他物品推荐给当前用户。系统首先会根据用户的属性建模,比如用户的年龄,性别,兴趣等信息。根据这些特征计算用户间的相似度。比如系统通过计算发现用户A和C比较相似,就会把A喜欢的物品推荐给C。优势:a 不需要历史数据,没有冷启动问题b 不依赖于物品的属性,因此其他领域的问题都可无缝接入。 不足:原创 2017-07-24 11:24:14 · 5919 阅读 · 0 评论 -
推荐系统技术
目录推荐系统技术整体流程用户画像match部分CF(协同过滤)SwingContent I2ISession-based I2I向量召回RankI2IRank部分LRLR+GBDTFM/FFMMLRFNNAFMNFMPNNWide&DeepDeepFMDeepFFMDCNxDeepFMFAT...原创 2019-05-18 17:43:00 · 11118 阅读 · 14 评论 -
推荐系统冷启动技术-研究进展
最近调研了一些冷启动方案,现汇总如下商品冷启动商品冷启动一般在item的embedding上优化Graph Embedding在Graph Embedding I2I的基础上,加入商品的Side Information,进一步提升Embedding的泛化学习能力,更好地解决长尾以及商品冷启动问题《Hybrid Item-Item Recommendation via Semi-...原创 2019-09-26 01:10:04 · 4724 阅读 · 3 评论