KDDJun, 2023

跨领域协作迁移学习框架的推荐

PDF
TL;DR该研究提出了一种基于协作跨域迁移学习框架（CCTL）的解决方案，可用于推荐系统中不同商业域中的广告点击率（CTR）预测建模，并成功应用于美团，提高了 CTR 和 GMV 的表现。
recommendation systemsclick-through rate predictiontransfer learningdomain shiftcollaborative cross-domain transfer learning framework
发现论文，激发创造
  • DDTCDR：深度双重转移跨领域推荐

    本文提出了一种基于双向学习机制、潜在正交映射和自编码器方法的深度双重传递跨域推荐模型，该模型在电影、图书和音乐三个领域的数据集上经过充分测试，表现优于其他传统模型。

    Oct, 2019

  • 跨领域推荐的领域感知交叉注意力

    我们的研究提出了一种两步领域感知的交叉关注方法，能够从源领域的不同粒度中提取可迁移的特征，有效表达领域和用户兴趣，简化了训练流程，适合于新领域的快速部署，并通过实验证明了方法的有效性，还在在线广告系统中部署了模型，观察到了单击率和有效千次展示费用的显著改善。

    Jan, 2024

  • 跨领域对比推荐匹配

    本文提出了一种新颖的用于匹配的对比交叉领域推荐（CCDR）框架，该框架通过构建一个巨大的多样化的偏好网络来捕捉反映用户多种兴趣的多种信息，并设计了一个内域对比学习（intra-CL）和三个交叉域对比学习（inter-CL）任务以获得更好的表示学习和知识转移。在实验中，CCDR 在现实世界的系统中取得了显着的离线和在线评估成果。

    Dec, 2021

  • CoNet: 协作交叉网络用于跨领域推荐

    本研究提出一个基于神经网络的转移学习方法，通过引入 CoNet（协作交叉网络）来实现跨领域推荐，其中隐藏层连接的交叉映射使增加了双向知识转移能力，模型在两个大型真实世界数据集上进行了广泛评估，并相对于基准模型提高了 7.84％的精度，同时证明了选择适当的特征表示对性能至关重要。

    Apr, 2018

  • 跨域点击率预测的双重注意力序列学习

    提出了一种基于双学习机制的跨领域用户行为建模方法，为两个相关领域建立双重的潜在嵌入，实现了在两个目标域上同时提高 CTR 预测性能的目标，实验证明了比其他最先进的模型表现更好的效率和性能。

    Jun, 2021

  • 跨领域推荐的选择性迁移学习

    该研究论文提出一种基于经验预测误差和方差的新标准，用于更好地捕捉协同过滤设置中跨领域的一致性，从而在提高评分预测精度方面显著改进了几项最先进的方法。

    Oct, 2012

  • 打破负迁移之谜：跨领域序列推荐的合作博弈论方法

    这篇论文研究了多领域顺序推荐（CDSR）的问题，提出了一种新的 CDSR 框架来解决负迁移问题，并使用合作博弈论来估计领域对模型性能的边际贡献，以及引入层次对比学习方法来缓解负迁移。通过在两个真实数据集中跨十个不同领域进行实验，证明了我们的模型在模型性能上优于之前的研究成果。

    Nov, 2023

  • 一模型服务全部：用于多领域 CTR 预测的 Star 拓扑自适应推荐器

    本文提出了一种名为 STAR 的方法，它是一种推荐系统，旨在解决多领域环境下 CTR 预测的问题，应用于阿里巴巴公司的广告系统中，并实现了 8.0％的 CTR 改善和 6.0％的 RPM。

    Jan, 2021

  • 跨领域推荐中用户偏好的等价转换

    本文主要研究了不同领域共享相同用户但没有重叠项目的情况下的交叉领域推荐问题，并提出了一种基于等效转换学习的方法，该方法可以在不压制领域特定特征的前提下，学习用户喜好的两种特征并相互转换，相关实验表明，该方法比当前最先进的方法更加有效。

    Sep, 2020

  • 推荐系统的领域间翻译模型

    提出了一种基于生成对抗网络（GANs）、变分自动编码器（VAEs）和 Cycle-Consistency（CC）相结合的 D2D-TM 模型，用于解决多领域推荐系统在提取同构和散发特征方面遇到的问题，并证明其在性能优化方面超过了现有技术。

    Dec, 2018