Aug, 2022

多场景个性化推荐的场景自适应和自监督模型

PDF
TL;DR本研究提出一种场景自适应与自监督模型 (SASS)，解决具有多场景问题的细粒度信息转移、全空间样本利用和物品多场景表示分离问题，并在公共和工业数据集上得到显著提升。
multi-scenario recommendationscenario-adaptive and self-supervised modelfine-grained information transferentire space samplescontrastive learning
发现论文，激发创造
  • 自适应特征学习的多场景排名

    Multi-Scenario Learning is used in recommendation and retrieval systems to transfer learning from different scenarios via different paradigms to refine feature representations in a scenario-aware manner, demonstrating superior ranking performance and adaptive feature learning in production environments, as supported by A/B test results on the Alibaba search advertising platform.

    Jun, 2023

  • 大规模在线视频服务中基于多图的多场景推荐

    本文提出了一种多图结构的多场景推荐解决方案，通过图学习来在各场景之间交互数据并获得表示，从而使其能够在激活冷门视频和丰富目标推荐方面表现出卓越性。

    May, 2022

  • 面向序列场景的元学习在线推荐模型

    通过少次学习和元学习，将场景特定学习与模型无关的顺序元学习相结合，提出了一种名为 s^2meta 的综合端对端框架，可显著提高在线推荐的冷启动问题的状态艺术水平。

    Jun, 2019

  • LLM4MSR: 多场景推荐的增强 LLM 模型

    提出了一种有效高效可解释的 LLM4MSR 模型，通过利用大型语言模型和层次元网络结构来提升多场景推荐的效果和可解释性。在多个数据集上验证了 LLM4MSR 的有效性、兼容性以及在工业推荐系统中的高效性并实现了更好的可解释性。

    Jun, 2024

  • SAR-Net: 面向数百个旅游场景的个性化公平推荐排序网络

    本文提出了一种名为 SAR-Net 的场景感知排名网络，它通过学习用户的跨场景兴趣，以应对不同场景下的个性化推荐问题。借助注意力模块、线性转换层、去偏置专家网络等组件，SAR-Net 自适应地提取场景特定特征，并通过公平系数的使用，以增强对数据的公平性和因人工干预而产生偏差的恢复能力。实验证明了其在超过 8000 万个用户和 155 万个旅行产品的离线数据集和在线 A/B 测试中的优异表现。

    Oct, 2021

  • 多场景多任务搜索自动专家选择

    该论文提出了一种名为 AESM^{2} 的新型自动专家选择框架，该框架将多场景学习（MSL）和多任务学习（MTL）整合到一个统一的框架中，具有自动结构学习的特点，并采用分层设计和专家选择算法，实验表明在真实世界的大规模数据集上表现良好且有助于提高多项指标的在线 A/B 测试。

    May, 2022

  • 不落后：广告商建模的多场景多任务元学习方法

    该论文提出了一种名为 M2M 的多场景多任务元学习方法来预测广告主在不同电商平台的多种市场营销场景中的支出、活跃率、推广产品的总印象等多种任务，以解决广告主行为分散、多任务和多场景建模的挑战。

    Jan, 2022

  • 情境适应细粒度个性化网络：根据情境语境定制用户行为表征

    通过场景自适应的细粒度方法，本文提出了一种名为 SFPNet 的排序框架，以从历史行为序列中捕捉用户兴趣，并支持场景感知的用户兴趣建模。

    Apr, 2024

  • 大规模物品推荐的自监督学习

    提出了一种用于大规模商品推荐的多任务自监督学习（SSL）框架，通过学习商品特征的潜在关系来解决标签稀疏性问题，并通过数据增强方法提高模型泛化性能，结果表明此框架可以显著提高推荐系统的商业指标，在模型得到很少监控的情况下特别有效。

    Jul, 2020

  • 面向推荐的多行为自监督学习

    本研究提出一种多行为自监督学习（MBSSL）框架，包括一种自我注意力机制和行为感知图神经网络，该框架可用于应对稀疏目标信号和嘈杂的辅助交互。此外，通过梯度的混合操作，开发了一种自适应优化策略，并在五个真实世界的数据集上对该方法进行了广泛的实验.

    May, 2023