標(biāo)題：《TWIN: TWo-stage Interest Network for Lifelong User Behavior Modeling in CTR Predict...
發(fā)簡(jiǎn)信
IP屬地：四川
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(一四三)-[快手]一致性終身用戶行為建模方法TWIN -
推薦系統(tǒng)遇上深度學(xué)習(xí)(一四二)-[微軟&復(fù)旦]CTR預(yù)估中的對(duì)比學(xué)習(xí)框架CL4CTR今天分享的論文為《CL4CTR: A Contrastive Learning Framework for CTR Prediction》，從特征表示角度入手，將多種對(duì)比學(xué)習(xí)...
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(一三六)-[美團(tuán)]基于強(qiáng)化學(xué)習(xí)的信息流廣告分配方法CrossDQN今天給大家介紹的是我們團(tuán)隊(duì)今年發(fā)表在WWW2022上的論文CrossDQN，提出了一種基于強(qiáng)化學(xué)習(xí)的信息流廣告分配方法。這也是我個(gè)人在入職美團(tuán)之后工作的主要方向。接下來(lái)我將對(duì)...
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(一三八)-[阿里]廣告點(diǎn)擊率預(yù)估中的外部性建模今天給大家分享的是阿里在KDD2022上中稿的論文。過(guò)往的廣告點(diǎn)擊率預(yù)估主要考慮廣告本身的特征，而忽略了相鄰展示的其他商家對(duì)其的影響，因此本文的出發(fā)點(diǎn)主要是廣告點(diǎn)擊率預(yù)估中的...
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(一三五)-序列推薦中的特征粒度深度自注意力網(wǎng)絡(luò)從這篇開(kāi)始，咱們陸續(xù)來(lái)介紹幾篇推薦系統(tǒng)中特征建模的文章。今天要介紹的是19年的一篇文章，算是比較早的一篇在特征上進(jìn)行建模的論文，對(duì)現(xiàn)在的一些建模方式具有一定的借鑒意義，一起來(lái)...
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(一二七)-[谷歌]用于點(diǎn)擊率預(yù)估消偏的交叉位置注意力機(jī)制今天給大家分享的是谷歌發(fā)表的一篇用于點(diǎn)擊率預(yù)估中消除位置偏差的論文，除考慮位置本身的影響外，還考慮了相鄰位置及展示的item的交叉影響，一起來(lái)看一下。 1、背景 在點(diǎn)擊率預(yù)估...
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(一二五)-[阿里]CTR預(yù)估中的端到端用戶行為檢索今天給大家?guī)?lái)一篇阿里在長(zhǎng)用戶行為序列建模中的探索，前面也介紹過(guò)SIM和UBR4CTR兩篇論文，均是通過(guò)兩階段檢索的思路，從長(zhǎng)用戶行為序列中選擇與目標(biāo)item相關(guān)的用戶行為，...
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(一二二)-[阿里]通過(guò)孿生掩碼層來(lái)高效的學(xué)習(xí)特征表示向量今天給大家介紹阿里在CIKM2021上發(fā)表的一篇關(guān)于Embedding的論文，本文的標(biāo)題是從阿里媽媽技術(shù)復(fù)制過(guò)來(lái)的（共有6篇論文入選，可參考https://zhuanlan....
-
推薦系統(tǒng)遇上深度學(xué)習(xí)(一二零)-[微博]使用上下文信息來(lái)優(yōu)化特征嵌入的CTR預(yù)估框架今天給大家分享一篇來(lái)自微博的點(diǎn)擊率預(yù)估論文，借鑒NLP領(lǐng)域的ELMO和Bert的思想，提出了一種使用上下文信息來(lái)優(yōu)化特征嵌入的CTR預(yù)估框架，一起來(lái)看一下。 1、背景 特征交...
個(gè)人介紹