本研究提出两种使用深度卷积神经网络预测查询 - 广告对点击率的方法,一个针对字符级别处理,另一个针对单词级别处理。通过使用数十亿个查询 - 广告对的实验,证明这两种方法都显著优于基线模型和最先进的基于 word2vec 方法的模型。此外,将这种深度模型的预测与商业搜索引擎中现有的预测相结合,可以显著提高生产系统的点击率预测的准确性和校准度。
Jul, 2017
提出了一种实用的 CTR 预测模型 —— 记忆增强型 DNN,该模型通过创建两个外部记忆向量来记住每个用户的历史行为信息,并取得了在离线和在线实验中都表现出良好的绩效。
Jul, 2019
该研究提出了一种基于神经网络的点击序列模型,可用于预测用户与搜索引擎结果的交互行为,并在多个预测任务中取得了最先进的结果。
May, 2018
我们提出了一种新的上下文递归神经网络,可以在输入和输出层中考虑相关信息,将上下文嵌入与项目嵌入相结合,并在模型动态性中将隐藏单元转换参数化为上下文信息的函数,从而在下一事件预测任务上显示出良好的提高效果。
Jun, 2017
本篇研究探讨了 RNN 模型在短期和长期的推荐任务中的表现,发现堆叠的带有层归一化和相同物品嵌入的 RNN 模型表现最佳,能够准确预测用户的短期和长期交互。
Jul, 2018
本文介绍了一种基于循环神经网络的神经网络架构,用于检测新闻标题中的 'clickbait',该模型依靠从大型未注释的语料库中学习的分布式词表示和通过卷积神经网络学习的字符嵌入。在新闻标题数据集上的实验结果表明,这种方法表现优于现有的 'clickbait' 检测技术,具有 0.98 的准确率,0.98 的 F1 得分和 0.99 的 ROC-AUC 度量。
Dec, 2016
该研究提出了一种神经网络模型,用于准确预测电子商务中的购物意愿,并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题,同时,多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联,取得了 98%与先进技术相当、甚至超过先进技术的分类准确率,无需进行特定领域或数据集相关的特征工程。
本文提出课程学习策略,用于训练循环神经网络,以尽量减小实际工作场景中训练和推理之间的差异,如在 MSCOCO 图片注释挑战赛中实测有效。
Jun, 2015
本研究通过机器学习算法与在线服务系统的共同设计,提出了处理长序列用户行为数据的解决方案,能够有效地处理超过千级的长序列用户行为数据,提升了模型性能和系统效率。
May, 2019
该研究提出了一种名为 CA-RNN 的上下文感知循环神经网络模型,用于建模用户的行为模式,其采用自适应的上下文特定输入矩阵和上下文特定转移矩阵来捕捉事件发生时的外部环境和历史时序之间的转换,实验证明该模型在 Taobao 数据集和 Movielens-1M 数据集上比现有的序列推荐和上下文感知推荐方法都有明显改进。
Sep, 2016