<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[我爱写报告的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_37924639</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_37924639]]></copyright><item><title><![CDATA[OpenClaw工作流程——让龙虾解剖自己]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/159125501</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/159125501</guid><author>m0_37924639</author><pubDate>Mon, 16 Mar 2026 17:56:19 +0800</pubDate><description><![CDATA[以下是openclaw对自己工作流程和一些细节的解读，博主作为虾佬的interface做了一些简要记录和可视化修饰。]]></description><category></category></item><item><title><![CDATA[Lavis框架BLIP代码笔记（待续）]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/157434664</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/157434664</guid><author>m0_37924639</author><pubDate>Tue, 27 Jan 2026 18:22:35 +0800</pubDate><description><![CDATA[推荐狗跨方向调研，不建议阅读。]]></description><category></category></item><item><title><![CDATA[X For You Feed Algorithm]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/157255726</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/157255726</guid><author>m0_37924639</author><pubDate>Thu, 22 Jan 2026 17:14:08 +0800</pubDate><description><![CDATA[近期开源的X的“For you”（为你推荐） tab推荐框架GitHub地址：https://github.com/xai-org/x-algorithm?]]></description><category></category></item><item><title><![CDATA[HLLM: Enhancing Sequential Recommendations via Hierarchical Large Language Models for Item and User]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/157026901</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/157026901</guid><author>m0_37924639</author><pubDate>Fri, 16 Jan 2026 18:47:38 +0800</pubDate><description><![CDATA[现在定义序列推荐：给出一个用户uuu，一个按时间顺序排列的用户的交互历史UI1I2InUI1​I2​...In​，预测下一个itemIn1I_{n+1}In1​，每个item都有关联的ID和文本信息（例如标题和tag等），然而本文只用到了item的文本信息。]]></description><category></category></item><item><title><![CDATA[QARM:Quantitative Alignment Multi-Modal Recommendation at Kuaishou]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/151360779</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/151360779</guid><author>m0_37924639</author><pubDate>Mon, 15 Sep 2025 18:29:57 +0800</pubDate><description><![CDATA[在得到与业务信息对齐的多模态表示后，下一步就是通过MLLM的世界知识提升下游模型的准确率。首先利用k-mean将全部embedding聚成L个簇，然后对每个embedding，用与它距离最近的聚类中心来表示，并求出它与聚类中心点的残差。然后对全部embedding的残差执行相同的操作。上面的问题，以往的解决办法通常是在模型中增加额外的对比模块，然而这样的对比loss作用很弱并且容易过拟合。而我们的做法是首先构建一个纯的多模态表示，然后利用召回模型的知识来监督学习它，让它反映出真实业务的特性。]]></description><category></category></item><item><title><![CDATA[OneRec: Unifying Retrieve and Rank with Generative Recommender and Preference Alignment]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/151315928</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/151315928</guid><author>m0_37924639</author><pubDate>Mon, 08 Sep 2025 15:05:17 +0800</pubDate><description><![CDATA[一个session指的是一次用户请求返回的一个batch的视频，通常是5个到10个，一个session内的视频通常会考虑到用户兴趣、连贯性和多样性等多种因素。我们将RQ-VAE的方法改进为使用一个多层的平衡的量化机制，用残差K-means量化算法来进行embedding的转换。然而过往的推荐系统采用召回-粗排-精排的级联结构，导致某一级的上限受到前面一级的限制。，然后为生成的每个session计算奖励，然后我们用得分最高的session和得分最低的session为一个用户构建一个偏好对。]]></description><category></category></item><item><title><![CDATA[基于deepseek的Spring boot入门]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/150956503</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/150956503</guid><author>m0_37924639</author><pubDate>Thu, 28 Aug 2025 18:22:26 +0800</pubDate><description><![CDATA[一次跟着deepseek记笔记的尝试，由于优快云没有思维导图，只能按层级记录提问。]]></description><category></category></item><item><title><![CDATA[Deep & Cross Network for Ad Click Predictions]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/146509816</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/146509816</guid><author>m0_37924639</author><pubDate>Tue, 25 Mar 2025 18:55:35 +0800</pubDate><description><![CDATA[原文链接：https://arxiv.org/pdf/1708.05123。]]></description><category></category></item><item><title><![CDATA[Search-based User Interest Modeling with Lifelong Sequential Behavior Data for Click-Through Rate Pr]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/146508356</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/146508356</guid><author>m0_37924639</author><pubDate>Tue, 25 Mar 2025 18:27:57 +0800</pubDate><description><![CDATA[为了快速拿到当前用户行为序列中与当前item category相同的部分，我们使用了一个两层的结构来存储用户行为，命名为user behavior tree (UBT) ，UBT是一个key-key-value结构，第一层key是user_id，第二层key是category id，value是用户有过交互的item序列。我们观察到在电商场景，上述hard-search和soft-search的效果相近，出于线上延迟要求和性能的考虑，线上serving直接采用hard-search方式。]]></description><category></category></item><item><title><![CDATA[Language Models are Few-Shot Learners]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/142923529</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/142923529</guid><author>m0_37924639</author><pubDate>Thu, 24 Oct 2024 16:11:48 +0800</pubDate><description><![CDATA[zero-shot, one-shot, few-shot, 上下文中example数, 有无prompt以及模型大小对模型性能的影响如上。本文的主要工作是评估在不同的setting下GPT-3在各种任务中的评估结果如何。]]></description><category></category></item><item><title><![CDATA[Generating Long Sequences with Sparse Transformers]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/142957112</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/142957112</guid><author>m0_37924639</author><pubDate>Mon, 21 Oct 2024 18:23:26 +0800</pubDate><description><![CDATA[本文的主要贡献是对attention矩阵做了一些稀疏的分解，通过对完整的attention进行分解能够更快地进行计算，并且合并之后能够对稠密的attention操作有一个比较好的近似。我们用这一方法来解决长序列内存和计算性能的问题。]]></description><category></category></item><item><title><![CDATA[Language Models are Unsupervised Multitask Learners]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/142763739</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/142763739</guid><author>m0_37924639</author><pubDate>Mon, 14 Oct 2024 17:04:07 +0800</pubDate><description><![CDATA[语言模型通常被定义为对于一系列样本无监督分布的估计，其中每个样本是一个符号序列s1​s2​...sn​pxi1∏n​psn​∣s1​...sn−1​学习单个任务可以用以上框架表示为估计联合概率poutput∣input，而一个泛化的系统即便给出相同的输入，也会根据提供的任务不同而输出有所不同，此时建模就应该估计poutput∣inputtask。]]></description><category></category></item><item><title><![CDATA[Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/142336137</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/142336137</guid><author>m0_37924639</author><pubDate>Mon, 23 Sep 2024 19:11:52 +0800</pubDate><description><![CDATA[我们进行了两种简化，第一是我们不再对网络层的输入输出联合白化，而是单独对每个标量进行归一化，让它们均值为0方差为1，也就是对于一个向量的每一维单独归一化，每一维的均值和方差都由整个训练集计算得到。在训练阶段，batch normalization中activation的均值和方差使用一个mini-batch的计算结果，而推理过程中则是使用的训练过程中所有batch样本的移动平均值和方差。对于网络的某一层，如果能够固定住它输入的分布，那么这一层的参数就不需要因为输入的分布变化而调整。]]></description><category></category></item><item><title><![CDATA[Improving Language Understanding by Generative Pre-Training]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/133968118</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/133968118</guid><author>m0_37924639</author><pubDate>Sun, 22 Oct 2023 00:12:49 +0800</pubDate><description><![CDATA[自然语言理解支持了包括文本蕴含、问答、语义相似评估、文本分类在内的多种任务。尽管大规模未标注的文本训练集是充足的，但这些特殊领域的有标注的数据是缺乏的，导致一些领域的任务没有办法充分训练。我们证明了这些任务可以通过在大规模未标注文本数据集上进行生成式的pre-train，然后再对每个任务进行单独的fine-tune来取得较大的性能提升。与之前工作不同的是，我们在fine-tuning阶段利用任务感知的输入transformation来达到在对模型结构改变很少的前提下也能进行有效迁移。]]></description><category></category></item><item><title><![CDATA[xFraud: Explainable Fraud Transaction Detection]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/126337502</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/126337502</guid><author>m0_37924639</author><pubDate>Mon, 15 Aug 2022 00:16:54 +0800</pubDate><description><![CDATA[xFraud]]></description><category></category></item><item><title><![CDATA[Semi-Supervised Classification with Graph Convolutional Networks]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/124884547</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/124884547</guid><author>m0_37924639</author><pubDate>Fri, 20 May 2022 19:44:14 +0800</pubDate><description><![CDATA[解决的问题
我们提出了一个稳定的方法来半监督地学习图结构的数据，这种方法基于一种卷积网络的变体，是将卷积网络直接作用在图上。我们是基于对一种谱图卷积的一阶近似选择的这种卷积结构。我们的模型能够学到既可以编码局部的图结构也可以编码节点特征的隐藏层表示。在引文网络和知识图谱数据集上进行的一系列实验表明，我们的方法跟类似方法相比有显著的提升。
问题形式化
本文考虑的是对图上的节点进行分类，而图中只有一小部分节点有标签。这类问题可以被形式化为基于图的半监督学习，其中标签信息通过一些显式的基于图的正则来进行平滑，例如]]></description><category></category></item><item><title><![CDATA[Personalized Approximate Pareto-Efficient Recommendation]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/124478288</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/124478288</guid><author>m0_37924639</author><pubDate>Thu, 28 Apr 2022 18:09:46 +0800</pubDate><description><![CDATA[真实推荐系统中通常会有不同的学习目标和评估标准，例如准确度、多样性或新颖度。因此多目标推荐正在被广泛使用和探索。最近帕累托最优模型被应用到了多目标推荐系统中，然而现有方法全部都是对所有样本共享一套目标权重。为了抓住用户在目标级别的偏好，并在帕累托最优系统中加入个性化，我们提出了PAPERec框架，设计了一个基于KKT条件标量化的近似帕累托最优学习，其中每个用户对每个目标有个性化的权重。我们还提出了一个面向帕累托的强化学习模块来为每个用户寻找合适的个性化目标权重，以所有目标梯度的加权和为奖励。我们在实际推荐系]]></description><category></category></item><item><title><![CDATA[Deep Session Interest Network for Click-Through Rate Prediction]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/124428513</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/124428513</guid><author>m0_37924639</author><pubDate>Tue, 26 Apr 2022 18:03:15 +0800</pubDate><description><![CDATA[解决的问题
CTR预估在广告和推荐系统中都扮演者重要角色。在CTR预估中，如何从用户的行为序列中抽取出动态变化的用户兴趣是一大课题。然而现有的方法都忽视了用户行为序列的一大特性：用户行为序列是由多个session组成的，而每个session由行为的时间进行划分。我们发现用户在同一session内的行为是高度同质化的，而不同session间的行为是异质的。基于上述观察我们提出了Deep Session Interest Network (DSIN) 模型来利用用户行为序列的多个session。我们首先从每个s]]></description><category></category></item><item><title><![CDATA[self-supervised learning for large-scale item recommendations]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/121078066</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/121078066</guid><author>m0_37924639</author><pubDate>Mon, 01 Nov 2021 14:00:41 +0800</pubDate><description><![CDATA[解决的问题
长尾item的用户反馈数据稀疏是推荐系统中长期存在的一个问题。近期受到CV和NLP领域在自监督学习任务上进展的启发，我们提出了一个针对大规模item推荐的自监督学习(SSL)框架。框架主要通过更好地学习item特征之间的潜在联系来解决label稀疏的问题。特别地，SSL既优化了item表征，又优化了线上服务，从而提升了模型的泛化能力。除此之外，我们还在框架中提出一种新颖的利用特征交互来进行数据增强的方法。我们通过两个真实的数据集和一个线上真实的app-to-app推荐场景来评估我们的模型，实验结]]></description><category></category></item><item><title><![CDATA[Contrastive Learning for Debiased Candidate Generation in Large-Scale Recommender Systems]]></title><link>https://blog.youkuaiyun.com/m0_37924639/article/details/119943279</link><guid>https://blog.youkuaiyun.com/m0_37924639/article/details/119943279</guid><author>m0_37924639</author><pubDate>Fri, 27 Aug 2021 01:04:26 +0800</pubDate><description><![CDATA[解决的问题
解决推荐系统中的召回问题，标准的方法就是通过采样进行极大似然估计。然而真实的推荐系统通常存在严重的曝光偏差，而极大似然估计从长期来讲会加重曝光偏差，而不合适的采样和特征选取会使得item表示学习效果打折扣。本文提出了CLRec，一种对比学习范式，来解决召回阶段的曝光偏差。
问题形式化
推荐系统的召回阶段范式为学习一个用户行为encoder fθ(x)∈Rdf_\theta(x) \in R^dfθ​(x)∈Rd和一个item encoder gθ(y)∈Rdg_\theta(y) \in R^d]]></description><category></category></item></channel></rss>