AAAIJun, 2016

大规模预测长期用户兴趣的非线性标签排名

PDF
TL;DR本文提出一种标签排名方法，来解决在线服务个性化广告推荐的问题，该方法在真实广告数据集上的表现强于现有解决方案，特别是在大规模排名问题上。
personalizationonline servicesad targetinglabel ranking approachlarge-scale ranking problems
发现论文，激发创造
  • 在线平台中自适应学习选择 - 排序

    优化用户排序列表的算法将用户偏好和物品位置的变化考虑在内，通过上界调整预测的用户满意度分数，并选择最大化这些调整分数的排序操作，以在异质用户中个性化用户体验。该算法在实验中表现优于基线模型。

    Jun, 2024

  • 视频排序模型中基于邻居的长尾排名问题增强

    本研究针对长尾排名问题，提出了一种基于邻居增强结构的排名模型，在 MovieLens 1M 数据集上证明比基线基于行为标签的模型具有更高的效率。

    Feb, 2023

  • 大型语言模型能准确预测搜索者偏好

    通过获取真实用户的仔细反馈来改进相关性标签的质量，并提出一种基于大型语言模型的标签生成方法，从而获得具有和人工标记员相似的准确性和能力的高质量标签，为搜索系统的评估和优化提供了有效途径。

    Sep, 2023

  • Pinterest 个性化排名的全流程重新思考方法

    本研究旨在通过端到端的学习，从原始用户行为中进行个性化推荐引擎的革新，通过一种新的密集全行动损失，编码用户的长期兴趣来优化用户嵌入，通过直接学习实时操作序列来捕获用户的短期意图。通过离线和在线实验验证了新模型架构的性能，并解决了在生产中使用混合 CPU/GPU 设置服务这种复杂模型的挑战。

    Sep, 2022

  • 基于位置模型的多臂赌博反馈排序学习

    本文介绍了一种基于多臂老虎机算法和位置点击模型的方法，用于解决线上系统中推荐排名的偏见问题，并在合成和实际数据集的离线和在线 A/B 测试中证明了该算法的有效性。

    Apr, 2020

  • 克服在线学习排名中的先验错误规定

    在线学习排序的领域，Bayesian ranking bandit algorithms 已被证明可以使用先前的知识来提高效能。本文提出并分析了自适应的算法，解决了现有工作需要匹配真实先验的主要局限性，并将这些结果扩展到线性和广义线性模型。此外，我们还考虑点击反馈措施，并通过合成和现实世界实验证明了我们算法的有效性。

    Jan, 2023

  • 基于多场分类数据的深度学习：以用户响应预测为例研究

    本文提出两种使用深度神经网络来预测用户响应的新模型，通过三种特征转换方法的借助，能够自动学习有效的分类特征交互模式，并对用户的广告点击进行预测。大规模的实验表明，我们的方法比现有主流模型更好。

    Jan, 2016

  • 从用户与排名的交互学习：该领域的统一

    该论文研究利用用户点击来进行学习排序的方法及其相关领域，提出了一个框架来统一在线、反事实和监督学习，并将其统一成一种通用且有效的排序学习方法。

    Dec, 2020

  • 利用大型语言模型和强化学习优化前 K 推荐的新颖性

    通过使用强化学习模型，借助大型语言模型的语义能力和用户反馈，提出了一种在大规模搜索引擎中提高推荐结果新颖性的算法。

    Jun, 2024

  • 基于结构预测的标签排序方法

    本文提出了一种基于最小二乘代理损失的方法来解决标签排名问题，并针对本方法采用了具体的特征映射 / 嵌入来转换排名 / 排列为向量表示，旨在提高结构化预测的效率和准确性，在部分排名情况下有着良好的表现。

    Jul, 2018