OneChance

0. 写在前面 在fastText问世以前，线性模型在文本分类任务中占据了主要地位，如果选用了正确的特征，往往能取得不错的效果。但是，其模型简单成为线性模型发展的瓶颈。神经网络具备高阶特征拟合能力，适用于各类复杂场景。fastText就是一种将DNN应用于文本分类的经典工作，并…

0. 写在前面 本次分享一篇NLP文本匹配的经典文章，主要思路是借鉴图像识别的思路来解决NLP文本匹配问题，毕竟计算机视觉技术的发展在当时异常迅猛。 1. 背景 文本匹配广泛用于搜索引擎、问答系统、信息流相关文章推荐等场景中，目的是为了在文本库中找出与目标文本类似或相关的文本。…

0. 写在前面 “匹配”这类任务有着很广泛的应用场景，例如NLP中的文本匹配，推荐领域的物品召回等任务。由此，学术界和工业界提出了很多不同的方法和模型来解决匹配问题，并致力于效果提升。本篇文章介绍一种经典的网络模型Siamese Network（孪生神经网络），该模型能够处理但…

0. 写在前面 前面我们介绍了FM系列的三大模型，包括FM模型，DeepFM以及NFM。DeepFM与NFM模型都对FM做了不同程度的优化，重点都是结合神经网络实现对特征的高阶组合。今天我们来介绍将attention机制应用于FM模型的AFM模型（Attentional Fac…

0. 写在前面 继上次介绍了DeepFM模型后，本文我们介绍将FM模型思想结合神经网络的又一工作 -- NFM（Neural Factorization Machine），一起来看看NFM相比于FM模型及DeepFM模型有哪些不同之处以及优化点。 1. 背景 DeepFM将神经…

0. 写在前面 前面我们介绍了FM模型的实现要点，也提到了其在推荐领域内的影响力。本篇，我们就来说说一种结合神经网络和FM的推荐模型--DeepFM，其他相关思路的模型将在后面的文章中陆续介绍。 FM模型已经被证明在业界推荐场景中具有显著效果。在深度学习神经网络如火如荼的当下，…

0. 写在前面 推荐系统相关从业人员肯定对FM(Factorization Machines)模型不会感到陌生，工业界及学术界在FM的基础上也提出了一系列优化模型，这些模型至今仍广泛应用于各类场景。本篇文章将带领大家重温FM模型，一探其中原理。 1. 背景 在推荐系统实现个性化…

在处理实际的机器学习问题的过程当中，常常会遇到id类特征的情况，例如推荐场景内的用户id，用户性别，商品id等。这里，将平时使用和学习到的常见解决思路进行一个总结。 1. OneHot 这种方式是最常见的id类特征处理方式，这种情况下，id类特征可枚举，每种取值情况占一位取1，…

0. 写在前面 前面我们分别讲了alibaba在电商推荐场景下的两大工作，分别是DIEN和DSIN。 其实，这两个模型均基于最初的模型DIN（Deep Interest Network）发展优化而来。这次，我们就来看看DIN相比于其他模型而言，到底有哪些优化点。 1. 背景 当…