V
主页
京东 11.11 红包
重排04:DPP 多样性算法(上)
发布人
行列式点过程 (determinantal point process, DPP) 是一种经典的机器学习方法,在 1970's 年代提出,在 2000 年之后有快速的发展。DPP 是目前推荐系统重排多样性公认的最好方法。 DPP 的数学比较复杂,这节课先介绍数学基础,下节课再介绍它在推荐系统的应用。这节课的内容主要是超平行体、超平行体的体积、行列式与体积的关系。 参考文献: Chen et al. Fast greedy map inference for determinantal point process to improve recommendation diversity. In NIPS, 2018. 课件和讲义: 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
重排05:DPP 多样性算法(下)
重排02:MMR 多样性算法(Maximal Marginal Relevance)
特征交叉04:SENet 和 Bilinear 交叉
重排01:物品相似性的度量、提升多样性的方法
召回01:基于物品的协同过滤(ItemCF)
重排03:业务规则约束下的多样性算法
概要02:推荐系统的链路
排序02:Multi-gate Mixture-of-Experts (MMoE)
概要03:推荐系统的AB测试
行为序列01:用户历史行为序列建模
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
排序01:多目标模型
行为序列02:DIN模型(注意力机制)
排序03:预估分数融合
召回04:离散特征处理
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
特征交叉03:LHUC (PPNet)
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01:优化目标 & 评价指标
召回03:基于用户的协同过滤(UserCF)
物品冷启03:聚类召回
推荐系统涨指标的方法03:排序模型
物品冷启04:Look-Alike 召回
行为序列03:SIM模型(长序列建模)
物品冷启02:简单的召回通道
物品冷启05:流量调控
召回02:Swing 模型
召回08:双塔模型——线上服务、模型更新
召回07:双塔模型——正负样本
召回05:矩阵补充、最近邻查找
召回11:地理位置召回、作者召回、缓存召回
排序06:粗排模型
排序04:视频播放建模
排序05:排序模型的特征
特征交叉01:Factorized Machine (FM) 因式分解机
召回10:Deep Retrieval 召回
特征交叉02:DCN 深度交叉网络
14-1: 二部图及其判定算法 Bipartite Graphs