摘要：
重排是精排的后处理操作。 物品多样性 相似度度量 基于物品属性标签 基于物品向量表征 （1）双塔模型的物品塔，但是因为头部效应问题导致学不好物品向量表征 （2）基于图文内容学习 CLIP - 基于图文内容的物品向量表征 原理 对于图片-文本二元组数据进行对比学习，预测图文是否匹配。优点是：无需人工标 阅读全文
posted @ 2025-02-09 12:35
稳住·能赢
阅读(64)
评论(0)
推荐(0)
摘要：
简单平均 lastN特征 把用户最近n次交互的物品Embedding向量取平均，作为一个用户特征使用。 适用于召回双塔模型、粗排三塔模型、精排模型。 DIN 原理 本质：用加权平均代替平均，也就是注意力机制。 注意力机制不适用于召回双塔和粗排三塔。因为需要用到候选物品，而用户塔看不到候选物品。 缺点 阅读全文
posted @ 2025-02-09 12:29
稳住·能赢
阅读(69)
评论(0)
推荐(0)
摘要：
FM 线性模型 设有\(d\)个特征，记为：\(\pmb{X} = [x_1, x_2, ... , x_d]\)，则线性模型的表达式为： \[p = b + \sum_{i=1}^d w_i · x_i \]其中，\(b\)为偏置，总共\(d+1\)个模型参数。\(p\)是预测结果，也就是特征和权 阅读全文
posted @ 2025-02-09 12:29
稳住·能赢
阅读(119)
评论(0)
推荐(0)
摘要：
精排 - 多目标模型 简单的多目标模型 模型结构 损失函数和训练 问题 数据集通常是类别及不平衡的，比如总共1000次曝光，其中只有100次点击，10次收藏，收藏次数对于曝光来说相差极大。 解决方案：通常使用负样本降采样的方法。 预估校准：负样本降采样之后，就改变了各个目标的实际分布，所以模型的预估 阅读全文
posted @ 2025-02-09 12:29
稳住·能赢
阅读(72)
评论(0)
推荐(0)
摘要：
ItemCF召回 ItemCF原理 \[\sum_{j} like(user, \, item_j) · sim(item_j, \, item_{候选物品}) \tag{1} \]用图表示为： 物品相似度计算方法 \[sim(i_1, i_2) = \frac{|V|}{\sqrt{|W_1| · 阅读全文
posted @ 2025-02-09 00:50
稳住·能赢
阅读(201)
评论(0)
推荐(0)
浙公网安备 33010602011771号