首页
首页
BOT
沸点
课程
直播
活动
AI刷题
NEW
商城
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
escapiase
掘友等级
获得徽章 0
动态
文章
专栏
沸点
收藏集
关注
作品
赞
0
文章 0
沸点 0
赞
0
返回
|
搜索文章
escapiase
1年前
关注
PFRN: Personalized Flight Itinerary Ranking at Fliggy
摘自 阿里飞猪个性化搜索排序探索实践 https://mp.weixin.qq.com/s/KrTlI6jGc5qQvCkdqqMJWQ 原文:https://dl.acm...
赞
评论
分享
escapiase
1年前
关注
DLCM: Learning a Deep Listwise Context Model for Ranking Refinement
Link:https://arxiv.org/abs/1804.05936 DLCM中,通过建模精排生成的Top-N列表中物品间的互相影响,来优化搜索结果。 基于的moti...
赞
评论
分享
escapiase
1年前
关注
miRNN:Globally Optimized Mutual Influence Aware Ranking in E-Commerce Search
miRNN 在淘宝搜索中,每个商品是否会购买,会受到周围展示的商品的影响。例如周围同类目商品比当前商品显著贵,那么当前商品购买的概率可能就比较高。 miRNN中,作者使用R...
赞
评论
分享
escapiase
1年前
关注
MMR: Maximal Marginal Relevance
MMR: Maximal Marginal Relevance 最近集中整理一些和重排序相关的论文内容。 MMR 原文链接:https://www.cs.cmu.edu/~...
赞
评论
分享
escapiase
1年前
关注
Personalized Re-ranking for Recommendation
PRM 论文阅读 原文:https://arxiv.org/pdf/1904.06813.pdf Information notation: 一般来说,LTR的loss f...
赞
评论
分享
escapiase
1年前
关注
Neural Re-ranking in Multi-stage Recommender Systems: A Review
Neural Re-ranking in Multi-stage Recommender Systems: A Review 链接:https://arxiv.org/pd...
赞
评论
分享
escapiase
1年前
关注
基于观测数据的因果消偏方法 整理
背景 本周主要阅读了DataFun中的一篇分享,讲到《基于观测数据的因果推断技术》。这里整理了其中,使用观测数据进行因果纠偏的方法如下。 方法一 基于RCT数据和观测性样本...
赞
评论
分享
escapiase
1年前
关注
Improving Deep Learning For Airbnb Search(2)
Improving Deep Learning For Airbnb Search 说明:Airbnb KDD 2020 链接:https://arxiv.org/pdf/...
赞
评论
分享
escapiase
1年前
关注
Improving Deep Learning For Airbnb Search
Improving Deep Learning For Airbnb Search 说明:Airbnb KDD 2020 链接:https://arxiv.org/pdf/...
赞
评论
分享
escapiase
1年前
关注
业务驱动的推荐系统 方法与实践 第9章 重排 + 第10章 决策智能
一,思维导图 《业务驱动的推荐系统 方法与实践》 全书思维导图 第9章重排+第10章决策智能 思维导图 二,技术介绍 2.1 贝叶斯优化 2.2 强化学习重排序...
赞
评论
分享
escapiase
1年前
关注
多场景建模 综述
1 引言 1.1 什么是多场景 不同用户群体(如新老用户)、APP不同频道模块、不同客户端等,可以看作不同场景。不同场景具有用户差异,即使是同一用户,在不同场景下的心智也不...
赞
评论
分享
escapiase
1年前
关注
业务驱动的推荐系统 方法与实践 第9章 排序技术 (粗排+精排)
一,思维导图 二,技术介绍 2.1 主流排序模块框架 2.2 lightGBM 单边梯度采样算法 2.3 lightGBM 互斥捆绑算法 2.4 精排 知识蒸馏 到粗排 2...
赞
评论
分享
escapiase
1年前
关注
业务驱动的推荐系统 方法与实践 第8章 召回技术(下)
第八章 业务驱动视角下的召回技术(下) 一,思维导图 二,技术介绍 2.1 IVFPQ 算法 PQ算法: 由于码表中的类中心是有限的,因此可以进行二进制码表编码。将内容x用...
赞
评论
分享
escapiase
1年前
关注
业务驱动的推荐系统 方法与实践 第8章 召回技术(上)
《业务驱动的推荐系统》,书本第八章:业务驱动视角下的召回技术。这里记录了本章的思维导图和用到的技术简介。...
赞
评论
分享
escapiase
1年前
关注
业务驱动的推荐系统 方法与实践 第3-7章
业务驱动的推荐系统 方法与实践 第3-7章 阅读笔记,记录了第一章到第六章的内容,使用xmind来记录。...
赞
评论
分享
escapiase
1年前
关注
组合优化问题基础介绍
一、定义 组合优化问题 (Combinatorial optimization problem,COP) 是一类在离散状态下求极值的最优化问题,其数学模型如下所示: 二、应...
赞
评论
分享
escapiase
1年前
关注
DCMT: A Direct Entire-Space Causal Multi-Task Framework for cvr estimation(2)
DCMT: A Direct Entire-Space Causal Multi-Task Framework for Post-Click Conversion Esti...
赞
评论
分享
escapiase
1年前
关注
Representation learning for treatment effect estimation from observational data
由于反事实的缺失及选择偏差,估计ITE是因果推断中具有挑战性的问题。已存在的ITE估计方法主要聚焦于平衡空白组和实验组的分布,而忽略了局部相似信息,而该相似信息在ITE估计...
赞
评论
分享
escapiase
1年前
关注
Deep Counterfactual Networks with Propensity-Dropout
作者把causal inference视作multitask learning的问题,并通过dropout的方式来进行正则化,减少selection bias带来的影响。这...
2
评论
分享
escapiase
1年前
关注
Estimating Individual Treatment Effect Generalization Bounds and Algorithms
Causual Inference in DNN(2)Estimating Individual Treatment Effect Generalization Bound...
赞
评论
分享
下一页
个人成就
文章被点赞
2
文章被阅读
8,130
掘力值
369
关注了
0
关注者
1
收藏集
0
关注标签
13
加入于
2022-12-10