推荐系统

阿里ComiRec 阿里的ComiRec是对多兴趣召回的一个阶段性总结。 多兴趣抽取模块总结了2种方法：一个是之前应用到MIND的Capsule Network，一个是Self-Attention 对

京东DMT 论文地址：https://dl.acm.org/doi/pdf/10.1145/3340531.3412697 论文提出用多个Transformer对用户多种类型的行为序列进行建模，在此基

阿里DIEN 摘要里面表示很多CTR模型都将用户历史行为的向量表示直接作为用户兴趣，没有对用户这些行为背后的隐兴趣进行建模；此外很少有工作考虑用户的兴趣的变化趋势。DIEN设计了兴趣抽取层从历史行为序

DIN模型 论文地址：https://arxiv.org/pdf/1706.06978.pdf 提出DIN模型的原因： 当前CTR预估都是Embedding&MLP结构：高维稀疏输入特征按照特征组先映

论文地址：https://arxiv.org/pdf/1808.09781.pdf Self-Attentive Sequential Recommendation SASRec是较早应用Self-A

论文地址：all you need is attention Attention 可以参阅网上其他大佬的详细解读，下面这篇从序列模型RNN和CNN与Attention的多角度比较来解读，详细分析了论文

论文地址：https://arxiv.org/abs/2010.14395 摘要 序列推荐经常因为数据稀疏性问题，导致很难学习到高质量的用户向量表示。论文引入对比学习，提出Contrastive Le

论文地址：https://arxiv.org/abs/2006.11632 摘要 Facebook搜索作为社交网络搜索与传统的Web搜索挑战不同，在提供结果时考虑用户的上下文非常重要。论文提出基于em

论文地址：https://dl.acm.org/doi/abs/10.1145/3298689.3346996 摘要 推荐系统通常处理数据稀疏性和长尾分布的方式是从物料的内容特征上学习物料的向量表示，

摘要 推荐系统分召回匹配和排序两阶段，目前召回的深度学习模型都是将一个用户表示成一个向量，这样没法表示用户的多种自然兴趣，论文中提出的MIND通过胶囊网络设计了一个多兴趣提取网络层以及标签感知注意力来

论文地址：https://dl.acm.org/doi/pdf/10.1145/3219819.3220007 摘要 常用的多任务学习往往对于任务之间的关系比较敏感，论文提出的MMoE将专家混合结构应

Real-time Personalization using Embeddings for Search Ranking at Airbnb 论文地址：https://dl.acm.org/doi/

推荐系统架构 候选池：可供推荐的物料候选池，对于图文、短视频、新闻等来说通常是最近N天的新物料组成的集合，定期进行物料更新。 召回：从候选池中选出和用户相关的物料，交给后面的排序模块进行打分。召回面对

这里主要给出Wide&Deep的网络构造及训练部分 构建Wide部分 构建Deep部分 这里涉及的构建特征 build_feature() ,优化器 get_optimizer(),以及参数param

ESMM多目标Python实践 导入的包信息如下 构建特征部分 对变长型、数字型、字符型等特征，还有交叉特征构建索引，分别放到两个特征数组中，分别对应wide网络输入和deep网络输入 构建浅层网络结

ESMM模型笔记 背景 ESMM模型是阿里算法团队关于CVR预估提出的新模型，思路很新颖，对于CVR预估有很强的参考意义。而且里面的多个目标其实可以根据实际业务进行替换，可以快速尝试应用，想象力空间很

Notification Volume Control and Optimization System at Pinterest 论文地址：https://labs.pinterest.com/ass