上一页 1 2 3 4 5 6 7 8 9 ··· 40 下一页
摘要: 将观看时长作为连续值预测,会带来“回归问题”,即会放大对异常值和潜在预测偏差的敏感性,常见的一种方法是把时长分段转为分类问题来预估,CREAD正是提出了一种回归转分类的处理方法。 CREAD的流程如下图所示,把观看时长分为M个桶,在每个桶内预估 P(y>t|x)的概率 经过推导可以得到最后的观看时长 阅读全文
posted @ 2024-11-26 14:59 AI_Engineer 阅读(947) 评论(0) 推荐(0)
摘要: QIN一言以蔽之,整体分为两个步骤: 相关行为检索:类似SIM,只不过分为2个阶段。设计相关性搜索单元(Relevance Search Unit, RSU),从历史长期行为序列中检索出和搜索词相关的Top-K1行为;再对每个target item,从Top-K1子序列中检索出相关的Top-K2个行 阅读全文
posted @ 2024-11-06 16:44 AI_Engineer 阅读(165) 评论(0) 推荐(0)
摘要: 核心:训练两层的item聚类中心,然后在cluster粒度统计用户的兴趣分布,并召回长尾兴趣、多兴趣 参考资料 抖音兴趣建模新突破——Trinity:多兴趣/长期兴趣/长尾兴趣三位一体 阅读全文
posted @ 2024-10-12 16:47 AI_Engineer 阅读(558) 评论(0) 推荐(0)
摘要: 背景 论文指出直播推荐场景存在两个挑战: 1. 每场直播的时长一般在几个小时左右,同场直播的不同时段用户点击率是不一样的,如何精准的去推荐高处于点击率时刻的直播? 2. 快手app中90%都是短视频,只有10%是直播,直播数据比较稀疏,如何利用用户在短视频场景的行为去更好的推荐直播? 捕捉直播间实时 阅读全文
posted @ 2024-09-23 18:11 AI_Engineer 阅读(571) 评论(0) 推荐(0)
摘要: 背景 用户冷启动一直是推荐系统中的一个难题,新用户(或非活跃用户)由于缺少行为数据,模型预估不准确。为了改善用户冷启动,腾讯提出了User Interest Enhancement (UIE)模型(论文中提到也可以用于item的冷启动)。基本思想是先对用户聚类,然后用user embedding检索 阅读全文
posted @ 2024-06-09 23:41 AI_Engineer 阅读(851) 评论(0) 推荐(0)
摘要: 模型结构 整体看起来像是一个share bottom的结构 左侧部分(类似POSO))通过输入场景特征到一个gate网络,得到不同场景下的特征embedding的权重,并对特征embedding加权 右边(类似LHUC)同过输入user/item/author feature到gate网络得到个性化 阅读全文
posted @ 2024-05-31 16:22 AI_Engineer 阅读(978) 评论(0) 推荐(0)
摘要: 背景 这是一篇美团到店多场景多任务建模的论文,我们直接来看模型结构 模型结构 HiNet模型主要分上下两部分,下面浅蓝色区域的场景抽取层和上面黄色区域的任务抽取层 场景抽取层 场景抽取层主要由3个部分组成: 场景共享专家(Scenario-shared expert,图中绿色SEI) 当前场景特有专 阅读全文
posted @ 2024-05-31 11:36 AI_Engineer 阅读(749) 评论(0) 推荐(0)
摘要: 待整理 参考资料 蒸馏技术在推荐模型中的应用 知识蒸馏在推荐系统的应用 阅读全文
posted @ 2024-05-30 11:14 AI_Engineer 阅读(137) 评论(0) 推荐(0)
摘要: 1. 常用的损失函数 一般使用inbatch softmax,主要优点是方便,缺点是容易遭造成对热门item的打压,可以做纠偏,参考youtube论文《Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendati 阅读全文
posted @ 2024-05-29 17:41 AI_Engineer 阅读(729) 评论(0) 推荐(0)
摘要: TensorFlow简介之负采样 Candidate Sampling简介 求通俗易懂解释下nce loss? 阅读全文
posted @ 2024-05-28 12:10 AI_Engineer 阅读(204) 评论(0) 推荐(0)
上一页 1 2 3 4 5 6 7 8 9 ··· 40 下一页