V
主页
推荐系统涨指标的方法02:召回
发布人
这节课的内容是推荐系统涨指标的方法。具体讲解如何通过改进召回模型(retrieval models)来提升推荐系统的核心指标。这节课的内容分三部分:双塔模型、Item-to-Item (I2I)、还有小众的召回模型(比如PDN、Deep Retrieval、SINE、M2GRL)。 参考文献 [1] Li et al. Path-based Deep Network for Candidate Item Matching in Recommenders. In SIGIR, 2021. [2] Gao et al. Learning an end-to-end structure for retrieval in large-scale recommendations. In CIKM, 2021. [3] Tan et al. Sparse-interest network for sequential recommendation. In WSDM, 2021. [4] Wang et al. M2GRL: A multitask multi-view graph representation learning framework for web-scale recommender systems. In KDD, 2020. 课件链接: https://github.com/wangshusen/RecommenderSystem 参考文献:https://arxiv.org/abs/2308.01204
打开封面
下载高清视频
观看高清视频
视频下载器
召回04:离散特征处理
推荐系统涨指标的方法06:交互行为(关注、转发、评论)
推荐系统涨指标的方法01:概述
召回06:双塔模型——模型结构、训练方法
召回02:Swing 模型
召回07:双塔模型——正负样本
特征交叉02:DCN 深度交叉网络
概要02:推荐系统的链路
召回01:基于物品的协同过滤(ItemCF)
召回09:双塔模型+自监督学习
推荐系统涨指标的方法04:多样性
召回10:Deep Retrieval 召回
召回08:双塔模型——线上服务、模型更新
推荐系统涨指标的方法03:排序模型
物品冷启02:简单的召回通道
【免费】基于SpringBoot+Vue旅游网站系统+推荐算法(无套路免费领取,求个三连)旅游推荐系统 旅游管理系统 景区管理系统 可用作于计算机毕业设计
物品冷启01:优化目标 & 评价指标
物品冷启03:聚类召回
推荐系统涨指标的方法05:特殊用户人群
召回05:矩阵补充、最近邻查找
召回03:基于用户的协同过滤(UserCF)
召回12:曝光过滤 & Bloom Filter
排序06:粗排模型
概要03:推荐系统的AB测试
召回11:地理位置召回、作者召回、缓存召回
重排01:物品相似性的度量、提升多样性的方法
物品冷启04:Look-Alike 召回
排序03:预估分数融合
行为序列02:DIN模型(注意力机制)
特征交叉03:LHUC (PPNet)
重排04:DPP 多样性算法(上)
概要03:搜索引擎的评价指标
排序02:Multi-gate Mixture-of-Experts (MMoE)
概要04:搜索引擎的链路(查询词处理、召回、排序)
排序01:多目标模型
行为序列03:SIM模型(长序列建模)
物品冷启06:冷启的AB测试
行为序列01:用户历史行为序列建模
排序05:排序模型的特征
相关性02:评价指标(AUC、正逆序比、DCG)