V
主页
排序06:粗排模型
发布人
这节课介绍推荐系统的粗排三塔模型,它介于前期融合的双塔模型和后期融合的精排模型之间。用户塔可以很大,因为它只需要做1次推理。物品塔可以比较大,因为物品塔的输出可以缓存在PS。交叉塔必须很小,如果有n个物品,交叉塔需要做n次推理。三塔模型的计算量主要是上层的全连接层。 课件链接: https://github.com/wangshusen/RecommenderSystem
打开封面
下载高清视频
观看高清视频
视频下载器
排序01:多目标模型
物品冷启04:Look-Alike 召回
排序05:排序模型的特征
召回06:双塔模型——模型结构、训练方法
召回02:Swing 模型
召回09:双塔模型+自监督学习
概要03:推荐系统的AB测试
推荐系统涨指标的方法02:召回
召回01:基于物品的协同过滤(ItemCF)
物品冷启02:简单的召回通道
行为序列01:用户历史行为序列建模
物品冷启01:优化目标 & 评价指标
召回04:离散特征处理
排序02:Multi-gate Mixture-of-Experts (MMoE)
重排03:业务规则约束下的多样性算法
重排04:DPP 多样性算法(上)
排序03:预估分数融合
推荐系统涨指标的方法06:交互行为(关注、转发、评论)
特征交叉02:DCN 深度交叉网络
特征交叉03:LHUC (PPNet)
重排05:DPP 多样性算法(下)
推荐系统涨指标的方法03:排序模型
召回07:双塔模型——正负样本
物品冷启03:聚类召回
行为序列02:DIN模型(注意力机制)
概要04:搜索引擎的链路(查询词处理、召回、排序)
召回03:基于用户的协同过滤(UserCF)
概要02:推荐系统的链路
排序04:视频播放建模
召回10:Deep Retrieval 召回
召回05:矩阵补充、最近邻查找
召回08:双塔模型——线上服务、模型更新
特征交叉01:Factorized Machine (FM) 因式分解机
召回12:曝光过滤 & Bloom Filter
推荐系统涨指标的方法05:特殊用户人群
行为序列03:SIM模型(长序列建模)
特征交叉04:SENet 和 Bilinear 交叉
推荐系统涨指标的方法01:概述
重排01:物品相似性的度量、提升多样性的方法
重排02:MMR 多样性算法(Maximal Marginal Relevance)