yifu0121

直播推荐中的召回、粗排、精排

1：这个是用在召回阶段，每个用户计算N个兴趣向量时，只用计算1遍，和din这种和预估item绑定的思路是分开的胶囊网络： “胶囊”的概念，一小群神经元组装输出一个完整的向量，首先由Hinton [13] 在 2011 年提出。动态路由替代反向传播[21]用于学习胶囊之间连接的权重，通过利用期望最大化来改进算法 [14] 克服了几个不足并取得了更好的准确性。 这两个与传统神经网络的主要区别使得胶囊网络能够编码部分与整体之间的关系，这在计算机视觉、自然语言处理中是先进的。 SegCaps [18] 证明胶囊

一、召回总述CMDM：基于异构序列融合的多兴趣深度召回模型在内容平台的探索和实践_淘系技术-优快云博客当前工业界的召回算法主要分为两类：基于协同过滤的召回（比如swing i2i）：优点：基于协同过滤的i2i召回从全局来看简单高效，依靠内容的共现性可以保证用户兴趣性、相关性，同时借助实时trigger便于捕捉用户的实时兴趣，在召回算法中发挥着非常重要的作用缺点：但是i2i召回本身也存在一些问题，比如对新用户和新商品不友好，难以解决冷启动问题基于深度学习的向量召回（比如deepmat

向量召回的目标1：内积时既考虑到了相关性、又考虑到了兴趣，所以这就是前两个目标2：有的还会考虑rpm最大化3：有的团队还会在训练模型时，loss上加入点击loss、下单loss等目标一、阿里全链路召回 - LDM（Learning to Rank based Deep Match Model)原文链接：阿里广告技术最新突破：全链路联动-面向最终目标的全链路一致性建模 - 知乎这篇文章中讲了两个召回思路，其中一个就是ldm，是以学习后链路（精排）的序为目标优点，1：以序为目标，而不

Learning Tree-based Deep Model for Recommender Systems论文链接：https://arxiv.org/pdf/1801.02294.pdf参考文章：阿里TDM：Tree-based Deep Model - 知乎阿里妈妈TDM模型详解 - 知乎1 INTRODUCTION1：据我们所知，TDM 是第一种可以在大型语料中使用任意高级模型的召回方法。受益于分层树搜索，TDM 实现了log层次的复杂度2：TDM 可以帮助更准确地找到新颖但

论文链接：https://arxiv.org/pdf/2007.07203.pdfppt介绍链接(百度网盘)：暂停一些基础的介绍可以看下面两篇文章：字节跳动Deep Retrieval召回模型笔记_abcdefg90876的博客-优快云博客大规模推荐Deep Retrieval - 知乎...