- 博客(3)
- 收藏
- 关注
RSS订阅原创 双塔模型：大厂召回过程中的中流砥柱
在推荐系统的整个流程中，召回环节（Retrieval）扮演着至关重要的角色，它负责从海量的物品库中快速筛选出用户可能感兴趣的候选物品。在某些场景下，为了提升物品嵌入的质量，还可以利用自监督学习（Self-supervised Learning）方法，例如通过预测物品的上下文信息或利用对比学习来学习更鲁棒的物品表示。双塔模型是一种深度学习模型架构，其核心思想是将用户和物品分别映射到独立的、低维的嵌入空间中，通过计算用户嵌入和物品嵌入之间的相似度来衡量用户对物品的兴趣程度。这些统计特征可以是离散的或连续的。
2025-10-13 21:11:50
752
原创 推荐系统中特征工程的重要性
特征工程是指将原始数据转化为机器学习模型可理解且更有效的特征的过程。在推荐系统中，原始数据可能包括用户ID、物品ID、用户评分、浏览历史、上下文信息（如时间、地点）以及物品属性（如电影类型、演员）等。有效的特征工程能够将这些看似离散的数据点转化为模型能够从中学习用户偏好和物品特性的有意义的信号。例如，一个简单的用户ID本身对模型意义不大，但通过特征工程可以将其转化为用户的嵌入向量，捕捉其潜在偏好。
2025-10-12 00:46:57
1019
原创 浅谈推荐系统DIN用户行为序列模型
阿里巴巴2018年提出的深度兴趣网络(DIN)创新性地将注意力机制引入推荐系统，解决了传统Embedding+MLP模型无法充分捕捉用户行为序列信息的痛点。DIN通过自适应计算用户历史行为与候选广告的相关性权重，实现了兴趣的"局部激活"，相比简单Pooling显著提升了CTR预测效果。该模型还提出了自适应正则化、Dice激活函数等优化技术，在阿里电商场景中获得10%的CTR提升。DIN开创了用户深度兴趣建模的新范式，后续衍生出DIEN、DSIN等改进模型，至今仍是工业界重要的基准模型。其
2025-10-11 18:06:43
819
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人