shopee——排序模型AUC还能涨吗？

原创 已于 2023-09-16 19:40:27 修改 · 383 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GEO检测
标签
#推荐系统
于 2023-09-16 11:31:39 首次发布
本文探讨了CBMRMultiCBMRSampleWeightAssignment模型，一种用于点击率预测的多任务推荐系统。它考虑了用户和商品的top-k邻居，通过权重设计和平滑处理实现个性化。特别关注新用户与忠诚用户对不同任务指标的差异性处理。

文章目录

CBMR

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

MultiCBMR

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Sample Weight Assignment

  • Click-aware Structure Transfer with Sample Weight Assignment for Post-Click Conversion Rate Estimation

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

  • 每个用户的top-k 邻居
  • 每个商品的top-k 邻居
  • 平滑处理并构图
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  • 交叉熵函数
  • 前面的权重设计

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

多任务推荐模型

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 新用户：下单少
    在这里插入图片描述
  • 忠诚用户：平台熟悉，下单多

在这里插入图片描述
在这里插入图片描述

  • 不同用户群体对于不同任务指标的偏好大相径庭

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

OneRank：统一Transformer原生架构，终结多任务推荐“跷跷板”
m0_60388871的博客
06-23 130
论文日报
2021秋招 NLP算法岗面经
m0_37584687的博客
11-16 1423
春招面了阿里和微信积攒了一些面试经验，春招只要拿到offer也不用面太多。秋招就面得比较多，包括：字节、微信、百度、华为、美团、拼多多、快手、虾皮（shopee），也都拿到了offer。 一、春招实习 阿里 4+1 一面：自我介绍 + 三道算法题（两有序链表合并+汉诺塔+最大公共子串）+ 基础考察 + HMM维特比算法 二面：聊天 + 压力面 三面：leader面，自我介绍 + 项目介绍提问 + SVM的SMO算法 四面：交叉面，主要是考察逻辑能力和智力题，其中有道是 “两枚不均匀的硬币，每次随机选取其
推荐系列（五）：协同过滤的优点和缺点
热门推荐
uncle_ll的博客
07-11 1万+
协同过滤的优点和缺点 协同过滤的相关知识点介绍完毕，现在对其优缺点进行总结。 优点 无需领域知识：不需要掌握专门的领域知识，因为embedding是自动学习得到的。 更机缘巧合：该模型可以帮助用户发现新的兴趣。机器学习系统可能不知道用户对某个给定的项目感兴趣，但模型可能仍然推荐出它，因为相似用户对该项目感兴趣。 好的起点：在某种程度上，系统仅需要反馈矩阵来训练矩阵分解模型（FM）。特别是，该模型...
推荐系列（七）：召回器，排序器，重排及总结
uncle_ll的博客
08-15 5281
召回|Retrieval 假设你有一个嵌入模型。给定用户，该如何决定推荐哪些项目？ 在服务时，给定查询，可以从执行以下操作之一开始： 对于矩阵分解模型，查询（或用户）嵌入是静态已知的，并且系统可以简单地从用户嵌入矩阵中查找到它； 对于DNN模型，系统在服务时，需要运行网络计算查询特征向量的嵌入 。 一旦获得了查询嵌入q ，只需要在嵌入空间搜索距离接近的项目——这是最近邻问题（nearest...
推荐系列（四）：矩阵分解|Matrix Factorization
uncle_ll的博客
06-27 2193
矩阵分解|Matrix Factorization 在上节讲过，用户和item之间的关系可以用一个关系矩阵表示，而矩阵分解式一个简单的嵌入模型。假设一个用户反馈矩阵：A∈Rm×nA \in R^{m \times n}A∈Rm×n，其中m表示用户的数量，n表示item的数量 用户嵌入矩阵 U∈Rm×dU \in \mathbb R^{m \times d}U∈Rm×d 商品嵌入矩阵 V∈Rn...
推荐系列（一）：什么是推荐？
uncle_ll的博客
06-05 1810
什么是推荐？ YouTube如何知道你可能希望接下来要观看的视频？Google Play商店如何为你挑选应用？这些恰到好处的推荐是魔法吗？答案当然是不，上述情况下，基于机器学习（ML）的推荐模型都可以确定视频和应用与你喜欢的其他内容的相似程度，然后提供推荐。推荐通常会有两种形式： 主页建议(home page recommendations)； 相关项目建议(related item reco...
推荐系列（六）：深层神经网络模型（1）
uncle_ll的博客
07-30 1530
上一节展示了如何使用矩阵分解来学习嵌入。但矩阵分解存在一些局限性，包括： 使用侧面特征困难（即查询ID /项目ID以外的任何特征）。因此，只能使用训练集中存在的用户或项目来查询模型。 建议的相关性。每个人都倾向于推荐受欢迎的项目，特别是在使用点积作为相似性度量时。最好是能够捕获特定的用户兴趣。 深度神经网络（DNN）模型可以解决矩阵分解的这些局限性。DNN可以轻松地合并查询特征和项目特征（由于...
记一次LightGBM-GBDT参数调整经历
uncle_ll的博客
05-09 1044
记一次LightGBM-GBDT参数调整经历 调整原因：项目要从有验证集的训练方式转变为无验证集的训练方式。 问题：有验证集的训练方式可以通过验证集earlystop来控制训练的过拟合问题，换成无验证集的训练方式后，无法继续通过使用earlystop这种方式来减少过拟合了，需要增强其他的正则。 项目使用工具包：LightGBM，树模型为GBDT https://github.com/micros...
推荐系列（二）：生成候选者概述
uncle_ll的博客
06-13 997
生成候选者概述 在上一节介绍了推荐系统的基本框架： ![image-20190613194816277](/Users/duanzhicheng/Library/Application Support/typora-user-images/image-20190613194816277.png) 可以看到，生成候选人（generate candidate）是推荐的第一阶段，也被称作retrieve...
推荐系列（三）：协同过滤
uncle_ll的博客
06-17 850
协同过滤 为了解决基于内容过滤的一些限制，协同过滤同时使用用户和项目之间的相似性来提供推荐。这样会允许偶然的推荐出现; 也就是说，协同过滤模型可以基于类似用户B的兴趣向用户A推荐项目。此外，可以自动学习embedding特征，而不依赖于手工设计的特征。 电影推荐示例 假设现有一个电影推荐系统，其中训练数据由反馈矩阵组成，其中： 每行代表一个用户。 每列代表一个项目（电影）。 有关电影的反馈分为...
DataFun：推荐系统峰会
uncle_ll的博客
08-26 465
2023推荐系统峰会
推荐系列（六）：深层神经网络模型（2）
uncle_ll的博客
08-09 454
Softmax训练 上一节解释了如何将softmax层合并到推荐系统的深度神经网络中。本节将详细介绍此系统的训练数据。 训练数据 softmax训练数据由查询特征X以及用户与之交互的项目向量（表示为概率分布 p）组成，在下图中用蓝色标记。模型的变量是不同层中的权重，在下图中用橙色标记。通常使用随机梯度下降或其变体方法来训练模型。 负抽样 由于损失函数比较两个概率向量 p,p^(x)∈Rn{p, ...
易语言源码易语言翻译类源码
06-25
易语言源码易语言翻译类源码
易语言源码易语言分类资源管理器源码
最新发布
06-25
易语言源码易语言分类资源管理器源码
docker.1ms.run-vllm-vllm-openai-v0.23.0.tar.7z.002
06-25
1
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

uncle_ll

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值