SDM: 在线大规模推荐系统的序列深度匹配模型
本文针对在采用更长序列的情况下推荐精度和个性化程度的提高未得到很好处理的情况,提出了一种新的稀疏注意存储模型(SAM)以模拟用户行为序列,实现了高效的训练和实时推荐,并在大型电子商务平台上部署进行了 A/B 测试,结果表明,相对于传统模型,该模型能够显著提高用户点击率达到 7.30%的改善。
Aug, 2022
本文提出了一种名为 “基于搜索的兴趣模型” 的新的建模范式,利用两个级联搜索单元在可扩展性和准确性方面,更好地对终生序列行为数据进行建模,并通过在大规模工业系统中的实现取得了良好的效果。
Jun, 2020
本文介绍了基于深度学习的推荐系统方法,特别是基于循环神经网络、transformers 和 attention 机制的方法。通过多次实验和改进 Neural Attentive Recommendation Machine (NARM),我们的研究表明优化后的 NARM 是所有现有基准方法中表现最好的。
Mar, 2021
本文提出了一种采用多哈希函数进行采样的端到端模型 SDIM,来模拟用户的长期行为数据,并且通过设计一种名为 BSE 的模块,与 SDIM 相结合来加速 CTR 模型,通过离线和在线实验验证了 SDIM 的有效性。
May, 2022
本文提出了一种推荐系统,结合个性化的兴趣变化和项目的普遍兴趣,通过预测用户在最近时间内消费的项目,捕捉个性化的兴趣可持续性,扩充用户稀疏消费历史数据,并在 11 个真实数据集上优于 10 个基础模型。
Sep, 2022
本研究提出一种基于深度学习的个性化推荐算法,称为带符号距离的深度记忆推荐器,能够显式和隐式地捕捉用户和商品之间的非线性关系,并在一般的推荐任务和基于购物篮的推荐任务中表现良好。通过对两个推荐任务中六个真实数据集的大量实证研究,我们的方法显著提高了十种最先进的推荐模型的效果。
May, 2019
该研究使用分层周期性记忆网络实现在线服务中用户响应预测的持续顺序建模,实现个性化内存化的顺序模式,并在三个大规模真实世界数据集上展示了显著的用户响应预测表现优势。
May, 2019
本文提出了一种新颖的可控多兴趣框架 ComiRec 用于序列推荐,利用一个多兴趣模块从用户行为序列中捕捉不同兴趣点,为大规模商品库检索候选商品,进而通过整合模块平衡推荐的准确性和多样性,实现了与现有模型相比显著的性能提升,已成功部署在阿里巴巴分布式云平台。
May, 2020
提出了一种名为 SCoRe 的依靠用户行为和物品属性历史序列信息挖掘高阶协作信息的推荐模型,实验结果表明其在三个真实的大规模数据集上表现均优于强基线模型。
Nov, 2019
提出了一种新型的、自适应的持续推荐系统 AutoMLP,旨在更好地对用户的长期和短期兴趣进行建模,通过端到端优化进行自动化和自适应搜索算法,与最先进的方法具有相当竞争性的性能,同时保持线性计算复杂度。
Mar, 2023