South1999

摘要： 2022.12.4更新 第一次复现时对文章有一些误解，另外作者源码中在训练时没有shuffle数据，这次更新修改了以上问题。 原论文为Warm Up Cold-start Advertisements: Improving CTR Predictions via Learning to Learn 阅读全文

摘要： 这周粗读了两篇关于小样本学习的论文，分别是NLP和CV领域的。 #Meta-LMTC: Meta-Learning for Large-Scale Multi-Label Text Classification 出自EMNLP2021。本篇文章是大规模多标签文本分类，用到的是基于优化的元学习方法MA 阅读全文

摘要： #动机 本文是2019年SIGIR上的一篇论文。在计算广告中CTR预估是最核心的问题之一，最近基于embedding的技术(用一个低维向量表示id)改善了CTR预估的准确性，但是如果遇到新的广告，这种方法的效果就会很差。针对以上问题，作者提出了MetaEmbedding模型，它通过元学习，为新广告学 阅读全文

摘要： #动机 本文是2021年AAAI上的一篇论文。MAML是解决推荐系统冷启动问题的常用方法，由于在现实生活中用户的分布不是均匀的(不同的用户有不同的配置文件，我们定义主要用户为具有与其他大量用户相似信息的用户，其余用户为次要用户)，MAML方法倾向于适应主要用户而忽略次要用户。为了解决上述这一过拟合问 阅读全文

摘要： MeLU算是推荐系统冷启动中非常经典的一个模型，在近两年很多冷启动相关的论文都拿它做baseline。以下总结一些个人觉得值得关注的地方。代码参考自MELU_pytorch class Linear(nn.Linear): def __init__(self, in_features, out_fe 阅读全文

摘要： 本题思路是遍历一遍当前数组的元素，假设当前元素为i，f[i]是以元素i结尾的最长的递增子序列长度，那么f[i] = 1 + max(f[i-k], f[i-k+1],...,f[i-1])。核心问题就是如何在遍历每个元素时求出max(f[i-k], f[i-k+1],...,f[i-1])，如果使用 阅读全文

摘要： #动机 本文是2022年AAAI上的一篇论文。在线旅行平台与常见的电商平台、新闻平台与短视频平台不同，因为通常用户旅行的频率远不及网购、看新闻的频率，而且旅行有一些与众不同的特性，本篇论文是针对在线旅行平台用户冷启动问题，它提出了SMINet，该模型是专门针对旅行推荐的，考虑到了很多与旅行相关的因素 阅读全文

摘要： #动机 本文是2020年IJCAI上的一篇论文。现实世界集成推荐系统通常处理百万个异构物品，使用复杂的模型进行全局搜索具有极大挑战，因此大多数推荐系统通常由两部分组成：1。多通道匹配模块有效选出一个小的子集。2.排名模块对子集进行更精确的排序。目前大多数冷启动问题的解决方法都是针对排名部分的，然而多 阅读全文

摘要： #动机 本文是2017年IJCAI上的一篇论文。FM方法通过结合二阶特征交互来增强线性回归模型，它将这些特征交互一视同仁，给予它们一个相同的权重，但是并不是所有特征的交互都是有意义的，更具体的，不同的特征交互之间有不同的重要性。而FM模型忽略了这一点，这可能会带来一些噪声，本文作者提出了AFM模型， 阅读全文

摘要： #动机 本文是2020年KDD上的一篇论文。当时解决推荐系统冷启动问题通常是通过更多的辅助信息作为用户和物品的特征，最近的一些工作通过异构信息网络捕获更丰富的语义信息。另一种方法是通过元学习，让新用户或新物品快速适应推荐系统。作者根据以上两点提出了本文的模型MetaHIN，利用元学习解决在HIN上的 阅读全文