xd_xumaomao

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

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

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

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

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

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

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

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

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

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