xd_xumaomao

摘要： https://zhuanlan.zhihu.com/p/441823563 https://zhuanlan.zhihu.com/p/650410731 阅读全文

摘要： 背景 这是一篇阿里发表的permutation-wise优化的重排论文，阿里在这篇论文里提出了PRS重排框架，其由两个步骤组成： 1. PMatch：采用beam search算法生成候选序列 2. PRank：设计了permutation-wise model DPWN 计算 permutatio 阅读全文

摘要： 和DLCM做法类似，都是使用序列模型对rank后的结构做rerank，不同点是PRM使用了transform encoder来建模，并且使用了用户预训练向量和位置向量 最后一层使用了softmax来计算每个item被点击的概率（论文提到使用click作为label，也就是所存在多个label为1的情 阅读全文

摘要： 论文名：Learning a Deep Listwise Context Model for Ranking Refinement 背景 在搜索场景下，给定一个查询q，q和d特征的向量表示x(q,d)，rank阶段的loss可以表示为： 其中：Q是query的集合，D是doc集合，f是rank模型函 阅读全文

摘要： 论文地址：Globally Optimized Mutual Influence Aware Ranking in E-Commerce Search 背景 传统的排序算法基本都是point-wise的算法，没有考虑到一起展示的其它商品对当前商品的影响。但是在电商场景下，如果一个商品和它一起展示的同 阅读全文

摘要： 背景 目前最常见的召回可以分两类： 以item cf为代表的i2i召回 以双塔模型为代表的u2i召回 下面是这两种召回的优缺点： 总结来说就是i2i不好加入side info信息，对物品冷启动不友好，u2i不好逐个行为粒度的表示用户兴趣，PDN算法正是结合两种方法的优点 方法 符号定义 $x_i$： 阅读全文

摘要： 先回顾一下item cf相似度的计算方法： 可以看到每个用户的影响是一样的，这里存在一个问题，假设一个程序猿群体都经常购买格子衫和电子产品，显然不能说格子衫和电子产品是相似的，icf只考虑了物品相似度忽略了用户之间的相似度 在计算相似度时，我们更希望两个兴趣差别比较大的用户有更高的权重，兴趣比较相似 阅读全文

摘要： 这里阿里继TDM之后提出的新的突破双塔限制的召回算法，TDM索引部分采用的索引是树结构，其非叶子结点是虚拟结点（虚拟结点不好加入item side info信息），在这篇论文里采用了HNSW来作为索引，HNSW最下面一层保护了所有item，上面一层是下面一层的随机采样 1. 模型训练完后可以得到it 阅读全文

摘要： 论文链接：Deep Match to Rank Model for Personalized Click-Through Rate Prediction 代码链接 背景 目前推荐系统大多集中在研究怎么建模用户的个性化推荐，对user和item相关性的研究比较少，这篇论文结合match和rank阶段的 阅读全文

摘要： from pyspark.sql import SparkSession spark = SparkSession.builder.enableHiveSupport().getOrCreate() spark.conf.set("hive.exec.dynamic.partition.mode", 阅读全文