推荐系统(十一) 2021-2022年工业界推荐算法实践经验汇总

本文将介绍常见推荐算法的升级之路，从最初的LR到业界常用的DIN、DIEN等模型。 1. 线性模型 1.1 逻辑回归LR 简介 逻辑回归算法是一种监督学习分类算法，对特征进行线性加权求和，通过Sigmoid函数将结果映射到0-1。 模型结构 结构风险函数 = 经验风险项+正则项其中损失函数为经验风险项的重要组成部分 损失函数：表征模型预测值与真实值的不一致程度。损失函...

离散特征可以用Embedding Layers，连续特征可以归一化、分桶等处理。Swing额外考虑重合的⽤户是否来⾃⼀个⼩圈⼦，两个⽤户重合度⼤，则可能来⾃⼀个⼩圈⼦，权重降低。简单负样本可以是全体物品（考虑非均匀采样打压热门物品）或者Batch内负样本。⽤户兴趣动态变化，⽽物品特征相对稳定，事先存储物品向量𝐛，线上现算⽤户向量𝐚。困难负样本主要考虑被召回，但是被排序淘汰的样本。一个物品的两个向量可以通过一些特征变换得到。⽤索引，离线计算量⼤，线上计算量⼩。正样本的选择需要考虑冷门、热门物品。

王树森老师的硬核课程，由于PPT很多，并且老师的很多经验是口述，没有写在PPT里，网上有一些网友的笔记，但不是很完整，学习起来也比较费事，所以我自己整理了120页的PPT（这里放的是截图），期望能比较完整地把老师的经验呈现出来，同时缩短学习时间。课程特点：系统、清晰、实用，原理和落地经验兼具。

王树森老师的硬核课程，由于PPT很多，并且老师的很多经验是口述，没有写在PPT里，网上有一些网友的笔记，但不是很完整，学习起来也比较费事，所以我自己整理了120页的PPT（这里放的是截图），期望能比较完整地把老师的经验呈现出来，同时缩短学习时间。课程特点：系统、清晰、实用，原理和落地经验兼具。

（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了 （2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？ （3）今日推荐系统学习经验：算法工程师的工作就是对模型、特征、策略系统和改进，提升各种指标，推进系统能否最终上线

对2024年的 推荐系统论文进行一波收集，给各位初学者和算法大佬作为灵感来源，后续专栏会继续更新论文解读，根据评论不断补充，欢迎大家三连~

嘿，记得给“机器学习与推荐算法”添加星标2021年第35届人工智能顶级会议AAAI论文列表已经放出，此次会议共收到9034篇论文提交，其中有效审稿为7911篇，最终录取篇数为1692篇，...

最近收到很多同学的提问，目前工业界常用的推荐系统模型有哪些？CTR和推荐算法有什么本质区别？推荐系统中如何做 User Embedding？今天我来对以上问题进行解答，也欢迎大家一起交流。

我们在这一篇文章中为大家阐述了三个工业级推荐系统的重要特征。这三个特征都有别于推荐系统的主流学术研究，但都是推荐系统应用到工业界产品中所需要思考的问题。我希望这三个特性所涵盖的三方面问题可以指导对工业级推荐系统产生更加有高度的认识，从而能够让我们对今后的研究工作有新的启发，起到抛砖引玉的作用。

第31届信息和知识管理国际会议CIKM2022将于2022年10月17日-21日以混合会议的方式在美国亚特兰大举行。CIKM会议是数据库／数据挖掘／内容检索领域顶级国际会议，也是中国计算机学会规定的CCF B类会议。关于该会议在历年推荐系统论文收录情况请参考下文：CIKM2021推荐系统论文集锦CIKM2020推荐系统论文集合本文主要是从教程以及研究型论文和应用型论文中筛选出与推荐系统有关的论文供...

一、总体框架 在推荐系统领域，特别是YouTube的所在视频推荐领域，主要面临三个挑战：规模大、更新快(平衡新内容和已有的视频可以从探索与利用的角度来解)、有噪音。 本文和工业界经典的推荐流程一样，系统分为候选集生成(也称为搜索或召回Matching)、排序(Ranking)两个阶段，这两个阶段分别使用了一个深度神经网络。Matching阶段通过i2i/u2i/u2u/user profile等方式“粗糙”的召回候选商品，Matching阶段视频的数量是百级别了；Ranking阶段对Matching后的视频

© 作者｜范欣妍机构｜中国人民大学高瓴人工智能学院研究方向 |推荐系统文章来源 |RUC AI Box导读ACM SIGIR 2021是CCF A类会议，人工智能领域智能信息检索（ I...

作者|‍GuoXun整理|NewBeeNLP‍KDD2021 放榜，其中research track共收到了1541篇投稿，接收了238篇长文，Applied Data Sci...

DIN（Deep Interest Network）模型是阿里妈妈盖坤团队发表在KDD'18上的文章，因为有阿里的光环，因此，这个模型在业界还是比较有名气的，至于最终在其他公司场景下有没有效果，取决于对比的baseline，如果你的baseline足够弱，理论上会有一定效果的提升，当然，如果你的baseline够强，可能一点效果都没有。之前博客介绍的模型都在解决如何有效的学到高阶交叉特征，而DIN的核心思想是把attention机制引入了到用户兴趣建模上。

系列文章传送门（1）工业界推荐系统-小红书推荐场景及内部实践【业务指标、链路、ItemCF】 （2）工业界推荐系统-小红书推荐场景及内部实践【UserCF、离线特征处理】 （3）工业界推荐系统-小红书推荐场景及内部实践【矩阵补充、双塔模型】 （4）工业界推荐系统-小红书推荐场景及内部实践【正负样本选择】 （5）工业界推荐系统-小红书推荐场景及内部实践【线上召回和模型更新】 （6）工业界推荐系统-小红书推荐场景及内部实践【其他召回通道】 （7）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题1】该系列文章

• 优势:无需人工标注。小红书的笔记天然包含图片+ 文字，大部分笔记图文相关。1、存在长尾物品和新物品，这些在双塔模型中并未很好的被表征；• 思想: 对于图片—文本二元组，预测图文是否匹配。• CLIP是当前公认最有效的预训练方法。2、用这些向量计算的相似度准确性不高。当然 DPP算法实际应用中也会结合。精排后的后处理被称为。

从学校毕业从19年实习在美团做广告推荐，然后20年开始一直在华为做视频推荐，从业时间不长，但是较学校的认知相比，还是完善了很多，故此总结，方便以后回顾。 文章目录端到端流程初始阶段：了解推荐需求，了解业务特点，设计需要采集样本特征、标签阶段一：检查数据质量、初步挑选特征阶段二：挑选模型，进一步特征处理阶段三：根据离线指标优化模型阶段四：线上A/B实验，根据case分析推荐瓶颈，制定优化方案 端到端流程 实践中的推荐系统或者“推荐”这个需求的设计，相对来说是一个比较长的链路， 初始阶段：了解推荐需求，了解业务

系列文章传送门 工业界推荐系统-小红书推荐场景及内部实践（1） 工业界推荐系统-小红书推荐场景及内部实践（2） 工业界推荐系统-小红书推荐场景及内部实践（3） 该系列文章根据小红书搜推算法工程师、团队负责人王树森B站上主讲的《工业界的推荐系统》之小红书业务场景及内部实践整理而得。感谢大佬分享工业界前沿的推荐系统实战技术！ 双塔模型：线上召回和更新 线上召回 将物品的 representation 向量离线存储到向量数据库中： 离线存储 完成训练之后，用物品塔计算每个物品的特征向量 𝐛 。 把几亿个物品向