巴拉巴拉朵

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

Spark参数优化 spark conf 中加入一些参数，会加速shuffle过程，这里根据数据量实际大小可以调节下面一些参数，实践中会对于大数据量JOIN能加速20%以上 spark.default

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

HitRecall的scala实现 topK推荐中常用评估指标就有HitRecall，这个指标的定义如下 HR@K = NumbersOfHit@K / GT 分母是所有测试集集合，分子是topK推荐