V
主页
京东 11.11 红包
行为序列02:DIN模型(注意力机制)
发布人
上节课介绍了用户的 LastN 序列特征。这节课介绍 DIN 模型,它是对 LastN 序列建模的一种方法,效果优于简单的平均。DIN 的本质是注意力机制(attention)。DIN 是阿里在 2018 年提出的,有兴趣的话可以阅读下面的参考文献。 参考文献: Zhou et al. Deep interest network for click-through rate prediction. In KDD, 2018. 课件地址: 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
行为序列03:SIM模型(长序列建模)
行为序列01:用户历史行为序列建模
召回06:双塔模型——模型结构、训练方法
排序03:预估分数融合
排序02:Multi-gate Mixture-of-Experts (MMoE)
排序05:排序模型的特征
召回03:基于用户的协同过滤(UserCF)
召回04:离散特征处理
概要03:推荐系统的AB测试
物品冷启02:简单的召回通道
物品冷启01:优化目标 & 评价指标
召回08:双塔模型——线上服务、模型更新
排序06:粗排模型
Transformer模型(1/2): 剥离RNN,保留Attention
Transformer模型(2/2): 从Attention层到Transformer网络
特征交叉04:SENet 和 Bilinear 交叉
召回07:双塔模型——正负样本
RNN模型与NLP应用(9/9):Self-Attention (自注意力机制)
召回01:基于物品的协同过滤(ItemCF)
重排04:DPP 多样性算法(上)
物品冷启06:冷启的AB测试
概要02:推荐系统的链路
召回02:Swing 模型
召回05:矩阵补充、最近邻查找
特征交叉03:LHUC (PPNet)
RNN模型与NLP应用(8/9):Attention (注意力机制)
特征交叉01:Factorized Machine (FM) 因式分解机
召回11:地理位置召回、作者召回、缓存召回
推荐系统涨指标的方法06:交互行为(关注、转发、评论)
物品冷启03:聚类召回
召回09:双塔模型+自监督学习
推荐系统涨指标的方法01:概述
推荐系统涨指标的方法02:召回
推荐系统涨指标的方法05:特殊用户人群
推荐系统涨指标的方法04:多样性
重排02:MMR 多样性算法(Maximal Marginal Relevance)
物品冷启04:Look-Alike 召回
物品冷启05:流量调控
重排03:业务规则约束下的多样性算法