xd_xumaomao

摘要： 背景 在推荐尤其是广告中，一个用户的正反馈不是马上就发生的，可能过了一段时间后才发生。如商品的购买、游戏中的付费行为，常常是发生在点击广告后的几天之后。这样导致了模型训练时不知道一个样本是不是真的负样本。其中一个朴素的解决方法时等待一个固定的时间窗口，超过这个时间窗口还没回传转化的样本都看作负样本， 阅读全文

摘要： 背景 position-bias 简单理解就是同个商品/广告展示在不同的位置上有不同的ctr、cvr，如： 1. 小说榜单，越靠前的位置的点击率越高 2. 今日头条中有不同广告位，越显眼的广告位点击率约高 这样就回形成“马太效应”，排在前面的物品越来越容易排在前面，排在后面的物品越来越容易排在后面。 阅读全文

摘要： 背景 这是Facebook应用在社交搜索召回上的一篇论文，与传统搜索场景(google,bing)不同的是，fb这边通常需要更加考虑用户的一些画像，比如位置，社交关系等。举个例子：fb上有很多John Smith，但用户使用查询“John Smith”搜索的实际目标人很可能是他们的朋友或熟人。 或者 阅读全文

摘要： 背景 在推荐系统存在两个难题： 1. 需要同时优化点击、观看时长、点赞、打分、评论等多个目标，如何同时建模多个目标 2. 存在position bias，即同个视频放在不通位置上点击率等会不同，如何建模position bias youtube这篇论文采用了MMOE来建模多目标，并用一个shallo 阅读全文

摘要： 背景 在淘宝、亚马逊等电商平台上，广告主扮演着重要角色。满足他们的营销需求和支持他们的业务增长对平台经济的长期繁荣至关重要。当前的研究更加侧重于用户侧建模（如CTR预估），对于广告主建模的关注较少。和用户侧建模方式不同，广告主建模涉及了多种任务，比如广告主店铺的点击、消耗、平台活跃天数等。除了多任务 阅读全文

摘要： linux安装protoc： https://www.cnblogs.com/niuben/p/14212878.html 阅读全文

摘要： 背景 论文提出目前的mulitask模型存在以下两个问题： 负迁移（negative transfer）：MTL（mul task learning）提出来的目的是为了不同任务，尤其是数据量较少的任务可以通过共享部分网络结构学习的更好。但经常事与愿违，当两个任务之间的相关性很弱或者非常复杂时，往往发 阅读全文

摘要： 背景 我们知道，对于冷启动的用户，由于用户行为数据比较少，预估难度较大。常用的解决方案如采用泛化特征代替id类特征、用泛化特征训练一个辅助tower帮助主tower学校、元学习等方案。这些方法把冷启动问题聚焦在用户行为数据的缺失上。POSO论文提出了冷启动中存在的另外两个问题： 1. 冷启动数据量少 阅读全文

摘要： 背景 观看时长（wathc time）是视频推荐中的重要指标之一，提升整体观看时长是视频推荐系统的主要目标。观看时长主要受两个因素的影响：1）用户是否对视频感兴趣；2）视频本身的时长（duration）。 作者分析发现，一方面，100s以下的视频，其观看时长和本身时长有着正相关关系，将视频时长作为输 阅读全文

摘要： 背景 在推荐场景，广泛存在长尾分布的现象，即少量的物品频繁的出现，导致正常训练的推荐模型更倾向于推荐流行物品，从而导致马太效应，即流行的物品被更频繁地推荐，并变得更加流行。目前针对这个问题的去偏算法主要可以分成三类： （1）逆权重分数：估计物品流行度的倾向性权重，并对每条数据样本利用逆权重分数进行加 阅读全文