推荐类相关文章整理

【推荐类文章整理】

1. UC 信息流推荐模型在多目标和模型优化方面的进展
   https://mp.weixin.qq.com/s/FXlxT6qSridawZDIdGD1mw

提问问题：

请教下，UC多目标任务推荐中，关于观看时长加权，我理解有两种： 第一种： 加权=根据该视频观看总时长/平均被观看总是时长。
第二种：基于Deep Walk+CBOW对Item进行embedding, 然后基于Grap embedding 计算出
观看时长，位置，连续性等权重，然后进行加权？

问题： 1. 为什么会有两种不同权重计算方法，是不是我理解错了？
2. 对item利用grap进行emdedding理解，但是如何基于embedding得出观看时长，位置，连续性的权重，还请帮忙解释下

解答：
两种方式，是优化过程不同版本 embed算出连续性。 时长是第一种方式算出来的。 位置是根据，推荐的实际位置定的

2. UC 信息流视频标签识别技术
https://mp.weixin.qq.com/s/-lNM3bVxK8YtmPWdXpSf5A

3. UC 国际信息流推荐中的多语言内容理解
https://mp.weixin.qq.com/s/qkKf3XOdJhrvyvt7ROJWug

4. 爱奇艺效果广告的个性化探索与实践
https://mp.weixin.qq.com/s/R0GG6Kg-h50RTRU6DIrZCg

第一个：
文中提到“传统的做法是设立时间窗口对这条样本进行跟踪，窗口内完成转化目标即打上正样本标签，反之则当作负样本看待，但很明显这么做有很多问题。
为解决这个问题采用了一种替代方案，当点击产生时，我们将样本当作负样本来看，当转化行为完成后，这个样本就视为正样本，当然这里会进行适当的权重调整。”

问题：请教下，为什么传统的这种做法有很多问题？
后面提到的替代方法，进行适当权重调整，是给该正样本加一个时间衰减因子，降低该正样本的重要性吗？

第二个： 文中提到的，线上使用FTRL的FM，以及上线深度学习wide&deep模型， 问题：请教下，
是FTRL与wide&deep融合在线上使用？如何融合的？
还是，利用wide&deep替代FTRL?

解答： 第一个问题是，后置转化类型转化周期很长，比如游戏付费可能周期在7天以上。窗口太长影响投放进度，太短会丢失很多正样本。
第二个问题是，利用WD替换FM

5. 深度学习技术在美图个性化推荐的应用实践
https://mp.weixin.qq.com/s/b8DkQWZbUc5-jzWKBd8iUA
(1)iItem2vec : 通过用户行为理解内容
方法： Item2vec 正是这样一种技术，它基于短时间内被浏览的 item 具有内在相似性的假设来学习 item 的 embedding。
应用：Item2vec 学习出来Item向量作为底层数据召回策略，包括实时兴趣，短期兴趣。例如，当用户点击了某个Item,系统会实时地通过向量内积运算查询相似的item并插入召回源头不，用户下一轮的排序。
注： 美图使用多种向量检索式召回策略。
实际应用时：基于skip-gram+negative sampling 来做item2vec.
问题：负样本数采样未64*2，skip-Gram为无监督模型，为什么会有负样本采样的概念。

6. Facebook 面向个性化推荐系统的深度学习推荐模型
https://mp.weixin.qq.com/s/7YuLBli0_pz7eE4I6PpbyQ

7.阿里零售通智能导购推荐技术实践
https://mp.weixin.qq.com/s/7YuLBli0_pz7eE4I6PpbyQ

8. 深度学习在360搜索广告 NLP 任务中的应用
https://mp.weixin.qq.com/s/IHnaXtQN1JuU4oHl1JrEQA

**9. 如何从 0 到 1 构建个性化推荐？
https://mp.weixin.qq.com/s/DLMcN_nrtWldySGoEXNy4g

(1) 先对item进行embedding, 然后将向量作为input，再合并其他user info 训练user embedding.(向量窗口大 小参考行为漏斗转化比例)
(2) 将深漏斗表现明显的特征前置在首页，进一步刺激点击。
(3) 使用ftrl进行增量学习。wide&deep模型线上部署是否用的tensorflow的serving。
(4) 知识图谱构建
(5) 命名实体识别，抽取职位关键信息，关键字形式展现
(6) 停留时长作为样本修正权重.

** 10 深度学习在省钱快报推荐排序中的应用与实践
https://mp.weixin.qq.com/s/QxQzGtsBUFYknvl4uOdMvw