Feb, 2024

Pfeed：使用预先计算的嵌入相似性生成几乎实时个性化供稿

PDF
TL;DR在个性化推荐系统中，使用嵌入来编码客户行为和物品，并通过近似最近邻搜索在嵌入空间中执行检索。然而，这种方法可能会面临两个挑战：用户嵌入可能限制了所捕捉的兴趣的多样性，而且需要保持它们的实时更新需要代价高昂的基础设施。在本文中，我们提出了一种在实际工业环境中克服这些挑战的方法。该方法动态更新客户配置文件，并每两分钟组合一个推荐列表，使用预计算的嵌入及其相似度。我们在荷兰和比利时最大的电子商务平台之一的 Bol 上测试并部署了这种方法。该方法提升了客户参与和体验，导致转化率显著提高了 4.9%。
发现论文，激发创造
  • 使用嵌入实现搜索个性化

    本文针对搜索个性化提出一种新的嵌入式方法，利用用户的专业兴趣空间对用户进行嵌入和学习，实现对用户兴趣的表达和搜索个性化，并在商业网页搜索引擎的查询日志实验中，证明本方法的性能比其他强基线模型更好。

    Dec, 2016

  • 使用文本数据的个性化神经嵌入协同过滤

    本论文提出了一种个性化神经嵌入框架 (PNE)，通过融合互动和单词来预测用户对物品的期望，解决了传统协同过滤方法中物品与用户关系稀疏的问题，并在两个真实数据集上展示了比四个基线模型更好的性能表现。同时，通过可视化展示了 PNE 可以学习到有意义的单词嵌入。

    Mar, 2019

  • 从词嵌入到物品推荐

    本研究使用 Word2Vec 技术应用于推荐系统领域，通过利用 Check-ins 这一非文本特征向用户推荐地点，实验结果表明使用 Word2Vec 对推荐系统中物品的连续向量表示能够取得良好的效果。

    Jan, 2016

  • 推荐系统中的嵌入：一项调查

    推荐系统中的嵌入技术是关键，它将高维离散特征转化为低维连续向量以提升推荐性能，并涵盖协同过滤、自监督学习和基于图的技术，同时介绍了自动机器学习、哈希技术和量化技术，旨在改善推荐系统的性能和降低计算复杂性。

    Oct, 2023

  • Etsy 搜索中基于统一嵌入的个性化检索

    本文提出了一种能够同时解决语义差异问题和根据用户历史交互提供个性化语义搜索结果的新方法，将图嵌入、transformer 模型和基于术语的嵌入统一到一个嵌入模型中，同时分享了特征工程、硬负采样策略以及 transformer 模型应用方面的技巧。此个性化检索模型增强了用户的搜索体验，并提高了搜索购买率和网站整体转化率。

    Jun, 2023

  • 基于神经相似性度量的大规模推荐系统近似最近邻搜索

    本研究中，我们提出了一种新的方法来扩展近似最近邻搜索到任意匹配函数（例如深度神经网络），并使用可插拔的对抗性训练任务来保证搜索结果的准确性；通过在开源和工业数据集上的实验证明了我们方法的有效性，并在淘宝展示广告平台上进行了全面部署，带来了相当可观的广告收入增长。

    Feb, 2022

  • 面向个性化文本分类的增量用户嵌入建模

    本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

    Feb, 2022

  • 互动预测的动态嵌入

    DeePRed 提出一种新的方法，通过使用长期（静态）嵌入作为代理来避免递归和昂贵的连续短期嵌入之间的交互，并具有多路注意机制，以检查用户 - 项目兼容性，从而在下一个项目预测任务上优于最佳现有方法至少 14％，同时获得最佳基线的超过一个数量级的加速。

    Nov, 2020

  • 基于聚类和用户交互嵌入配置文件的高效无限用户 - 项目规模推荐系统

    本文介绍了一种应用图神经网络和对比学习框架来提取用户偏好的新方法，该方法结合了软聚类架构，极大地减少了推断过程的计算成本，实验表明该模型能以低计算成本学习用户偏好，并具有较高的准确性，我们将其称为 EfficientRec。

    Jan, 2024

  • Pinterest 个性化排名的全流程重新思考方法

    本研究旨在通过端到端的学习，从原始用户行为中进行个性化推荐引擎的革新，通过一种新的密集全行动损失，编码用户的长期兴趣来优化用户嵌入，通过直接学习实时操作序列来捕获用户的短期意图。通过离线和在线实验验证了新模型架构的性能，并解决了在生产中使用混合 CPU/GPU 设置服务这种复杂模型的挑战。

    Sep, 2022