escapiase

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.org/doi/10.11

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motivation是：通过建模精排

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RNN来建模context信息

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/~jgc/publicatio

PRM 论文阅读 原文：https://arxiv.org/pdf/1904.06813.pdf Information notation： 一般来说，LTR的loss function如下 作者指出

Neural Re-ranking in Multi-stage Recommender Systems: A Review 链接：https://arxiv.org/pdf/2202.06602.p

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数据和观测性样本的重采样算法 RCT融合观测

Improving Deep Learning For Airbnb Search 说明：Airbnb KDD 2020 链接：https://arxiv.org/pdf/2002.05515.pdf

Improving Deep Learning For Airbnb Search 说明：Airbnb KDD 2020 链接：https://arxiv.org/pdf/2002.05515.pdf