摘要：
论文链接：Deep Match to Rank Model for Personalized Click-Through Rate Prediction 代码链接 背景 目前推荐系统大多集中在研究怎么建模用户的个性化推荐，对user和item相关性的研究比较少，这篇论文结合match和rank阶段的 阅读全文
摘要：
from pyspark.sql import SparkSession spark = SparkSession.builder.enableHiveSupport().getOrCreate() spark.conf.set("hive.exec.dynamic.partition.mode", 阅读全文
摘要：
https://blog.csdn.net/m0_37924639/article/details/112503883 https://zhuanlan.zhihu.com/p/261923201 阅读全文
摘要：
背景 MMoE模型从一定程度上解决了多个目标（任务）在训练过程中的相互耦合的问题，即使用门控概念（gate network）降低了因为share-layer部分带来的“特征耦合”。但其实这是不够的，因为在每一个expert内部，与其他的expert不存在联系，这导致每个expert的表达能力不是“那 阅读全文
摘要：
1. MSE（均方误差损失） 优点： 1. 收敛快 缺点： 1. 假设了样本服从正态分布，如果训练样本label不服从正态分布，则MSE并非最大似然估计 2. 对异常点很敏感 2. MAE（平均绝对误差损失） 优点：不容易受异常值影响 缺点：收敛速度慢，拟合能力弱 3. Huber Loss 结合了 阅读全文
摘要：
双塔模型介绍 由于粗排的候选数目比精排多很多，粗排无法做的和精排一样复杂。现在业内比较通用的方案是采用双塔模型，左边塔建模user embedding，右边塔建模item embedding，由于用户的行为经常发生变化，user tower需要经常更新，但是item状态很少发生变化，可以离线算好所有 阅读全文