yifu0121

论文地址：https://arxiv.org/pdf/1904.11547.pdf

论文地址：http://www.thuir.cn/group/~mzhang/publications/SIGIR2020-ShiShaoyun.pdf摘要：在这项工作中，提出了一种称为 Preference Hash (PreHash) 的新型用户偏好表示，用来表示行为少的用户的表达。在 PreHash 中，一系列的桶是根据用户的历史交互生成。具有相似偏好的用户会被自动分配到相同的存储桶中，包括行为多的用户和行为少的用户。只存储有限的参数，节省了大量内存，更高效的建模。此外，当新的交互出现时，他的桶和

原文链接：acm上，需要付费下载，也可以去百度学术上免费求助，一两分钟就可以下载了一 简介类别意图表现出查询之间的跨上下文相关性及其变化，这个我们尚未研究。 图 1 说明了跨上下文注意力的概念。 该图的左上部分描绘从查询“table household”到其变体query查询“简易 麻将 卓 家用”。它应该最关注“麻将”。右上角描述了另一个查询“麻将 卓”，最关注“麻将”和“桌”。 我们如何理解一个新的查询“麻将桌 家用”？ 与左查询或右查询相似吗？ 底部该图的一部分描绘了新的query与“麻将表”

首先冷启动分为3种，用户冷启动、item冷启动、query冷启动(在搜索中常常称为长尾query)。这里有一个专业名词 Exploration and Exploitation 探索和开发一、这里面 item冷启动是最常见的，先聊聊这种的常见做法对item冷启动来说，一般要面临3个问题，每个item保量多少、保量时间区间、保量给谁，item冷启是一个双向行为，做的不好就会对系统有损，做的好就能使用新item给用户带来更好的体验1：常见的一种做法是精排阶段两轮冷启动boost(pid+ucb)，这

从头部item把信息迁移到尾部item。我们提出了一个共同学习知识迁移的学习框架。1. 模型级指样本迁移，2. 样本级指迁移item特征信息𝜃1->𝜃 ∗，左边是模型参数迁移。右边是特征迁移1：很多现有的迁移学习方法都是经过在源任务上预训练，再在最终目标任务上进行微调，这个需要两个数据有同分布，但是头部和长尾不存在这个分布2：推荐系统中，头部item会重点影响用户体验，推荐尾部有风险.........

https://arxiv.org/pdf/2201.10980.pdf因为样本量较少，所以基于点估计的学习架构是不置信的1：我们提出了一个具有可解释概率嵌入生成过程的通用变分嵌入学习框架 (VELF)，以缓解 CTR 预测中的冷启动问题。sparse和dense层是端到端学习的。2：利用丰富的辅助信息，学习新颖的参数化和正则化先验，旨在进一步改进我们模型的泛化能力。3：在三个基准数据集上进行了广泛的实验。结果验证了我们提出的 VELF 的有效性和提出的参数化和正则化先验的优势。......