EdgeRec: 移动淘宝边缘推荐系统
本文提出了一种基于图嵌入框架的技术解决方案来应对淘宝推荐系统面临的规模,稀疏以及冷启动三大挑战,并通过离线实验和线上 A/B 测试表明,这种方法在淘宝的生产环境中是有效的和可行的。
Mar, 2018
通过智能请求策略设计 (IRSD) 和提出 AdaRequest 框架,利用注意力神经网络捕捉用户的实时意图和统计推断衡量请求插入对用户购买的影响,有效提高瀑布推荐系统的更新频率和用户体验。
Jun, 2022
该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述,重点介绍了如何利用社交上下文信息来改善推荐任务,以及标准算法如何在完全分布式环境中进行增强和优化,并讨论了这些系统的优缺点和性能评估。
Jun, 2023
为解决推荐系统中的分页机制问题,研究者提出了一种名为 Mobile Supply 的新模块,将推荐系统的流程扩展为 “retrival->pre-ranking->ranking->re-ranking->Mobile Supply->mobile ranking”。该模块通过引入列表值概念和采用点对点方法来近似评估列表排序方式,并设计了一种新的移动排序算法,考虑了移动设备之间的差异。大量的离线和在线实验显示了该方法的优越性,并证明了 Mobile Supply 可以进一步提升边缘推荐系统和用户体验的性能。Mobile Supply 已经在一个大规模在线食品平台的主页上部署,并带来了可观的利润。
Aug, 2023
我们提出了一个实时房地产推荐系统,RE-RecSys,它已在实际产业环境中实施。我们基于可用的历史数据将用户分为四个类别:i)冷启动用户;ii)短期用户;iii)长期用户;和 iv)短长期用户。对于冷启动用户,我们提出了一种基于地区热度和用户偏好的新型规则引擎。对于短期用户,我们提出使用基于内容过滤模型的推荐属性,该模型根据用户最近的互动进行推荐。对于长期和短长期用户,我们提出了一种结合内容和协作过滤的新颖方法,可以轻松实施于实际情景。此外,根据转化率,我们为平台上用户执行的不同印象设计了一种新颖的加权方案,用于内容和协作模型的训练。最后,我们展示了来自印度领先房地产平台的实际房产和点击流数据集上所提出的管道 RE-RecSys 的效率。我们表明,所提出的管道可以在实际情景中部署,平均延迟小于 40 毫秒,每分钟处理 1000 次请求。
Apr, 2024
ElasticRec 是一种模型服务架构,为推荐系统提供资源弹性性和高内存效率。相较于现有推荐系统预测服务系统,ElasticRec 通过微服务的软件架构和基于效用的资源分配实现了平均内存分配大小的 3.3 倍减少、内存效用的 8.1 倍增加,从而降低了 1.6 倍的部署成本。
Jun, 2024
移动边缘计算(MEC)通过将计算和存储范围扩展到靠近终端设备的边缘节点,实现了大规模 “连接的物联网” 在边缘网络中的部署。这篇论文全面调研了在 MEC 网络中应用强化学习(RL)的各种应用,包括离线、缓存和通信等方面,提出了特定的 RL 技术来解决相关问题并提供了实际应用的见解。
Apr, 2024
本文介绍了先进推荐系统技术的快照,重点关注了 Recommender Systems,Reciprocal Recommender System 等 RRS 算法,以及融合过程和社交推荐应用的挑战和机遇。
Jul, 2020
本篇研究利用仿真器训练上下文感知策略来处理 Long-term user engagement 优化中的现实间隙问题,该策略能够在模拟器和真实环境中学习和识别用户行为模式,并在不同环境下作出最佳决策,实验结果表明 Sim2Rec 模型在模拟环境和真实环境中均可以有效推荐。
May, 2023