Jun, 2023

自适应特征学习的多场景排名

PDF
TL;DRMulti-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.
multi-scenario learningtransfer learningnetwork structureranking performanceadaptive feature learning
发现论文，激发创造
  • 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

  • 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

  • 多场景个性化推荐的场景自适应和自监督模型

    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。

    Aug, 2022

  • 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

  • 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

  • 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

  • 学会合作：基于多智能体强化学习的多场景排名

    本文提出了一种能够对多种不同场景中排名策略进行联合优化的多智能体模型，其中包括了一个通信组件、多个私有智能体以及一个中央协调者，并通过在线评估结果证明了该模型能够显著提高整体性能。

    Sep, 2018

  • HiNet: 多场景多任务层级信息抽取的新型多任务学习技术

    提出了一种 HiNet 多场景和多任务推荐系统的层次信息提取网络，通过粗到细的知识转移方案实现层次信息提取，并引入了新颖的场景感知的注意力网络模块来明确场景之间的相关性，实验表明提出的方法在真实世界的产业环境中具有新的最先进的性能并显著优于现有解决方案。

    Mar, 2023

  • 多任务学习作为通用 AI 本地 RAN 的实现方法

    通过实现面向 6G 及更高版本网络的基于数据驱动的 AI 原生架构，可以最终实现在网络边缘分布多个机器学习工作负载，驱动次级载波预测、定位、信道预测等下游任务。该研究探讨了多任务学习在构建通用 AI 原生无线接入网络方面的有效性，重点研究了次级载波预测、用户位置预测、室内链路分类和视线链路分类四项任务，在真实模拟中验证了性能，并得出了关于模型架构、损失和梯度平衡策略、分布式学习拓扑结构、数据稀疏性和任务分组等多方面设计要点的定量分析和见解，结果显示在四项考虑的任务中，采用基于定制门控的专家架构和基于不确定性的权重调节的多任务学习方法在性能上要么超过单任务学习，要么与其持平；在多任务学习设置下，视线链路分类任务有助于其他任务，但自身性能下降；对于稀疏训练数据，训练单一全局的多任务学习模型有帮助，但性能与单任务学习持平；每个任务存在一组最佳的任务组配对；多任务学习设置下的部分联邦要好于全模型联邦。

    Apr, 2024

  • 朝着更好的排名一致性迈进：用于早期广告排名的多任务学习框架

    我们提出了一个多任务学习框架，用于早期阶段排名以捕获多个最终阶段排名组件和它们的任务关系，实现广告召回率和排名一致性的改进。通过模型整合，我们不仅可以实现成本节约，还可以在大规模工业广告排名系统中实现显著更高的点击率、转化率、总价值和更好的广告质量效果。

    Jul, 2023