村头陶员外的博客

本次要总结的论文是 Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts，参考的实现代码为 keras-mmoe。文章目录论文动机和创新点模型三种网络在合成数据上的对比实验合成数据生成过程任务相关程度 对 模型效果影响三种模型对比实验代码分析个人总结参考资料论文动机和创新点多任务学习在推荐系统里有着广泛的应用，在多任务学习中，我们希望能建立单一模型，可以对多个目标同时进行学习和建模（

本次要分享的论文是 CTR/推荐 领域内又一篇论文，论文链接dien，参考的实现代码 mouna-dien。和之前分享CTR论文类似，本论文难度不大，读起来较容易。文章目录论文动机及创新点模型Behavior LayerInterest Extractor LayerInterest Evolving Layer核心代码分析auxiliary lossAUGRU总结参考资料论文动机及创新点利用用户历史行为数据，对用户的兴趣演变进行建模对CTR效果至关重要，但是目前大部分CTR方法 将行为表征直接视

本次要分享的是 推荐系统/CTR 领域的论文，论文链接Deep Interest Network for Click-Through Rate Prediction，参考的代码链接 DeepInterestNetwork。论文动机及创新点目前基于深度学习的CTR模型，大多都是 embedding&MLP 的方式建模，具体而言，就是将高维稀疏的特征向量压缩成低微稠密向量，并且其长度固定，在此基础上再接个多层感知机来学习特征之间的非线性关系。但是这种将其转换成长度固定向量的方式，较难捕捉用户的多峰

本次要总结分享的是 推荐/CTR 领域内著名的deepfm 论文，参考的代码tensorflow-DeepFM，该论文方法较为简单，实现起来也比较容易，该方法在工业界十分常用。文章目录论文动机及创新点模型结构输入数据FM部分Deep部分代码分析数据预处理定义DeepFM模型超参数构图总结参考资料论文动机及创新点在deepfm提出之前，现有的模型很难很好的提取低阶和高阶的交互特征，或者需要足够丰富的人工特征工程才能进行。一些特性交互很容易理解，可以由专家（对业务逻辑很了解的人）设计。然而，大多

严格来说，这并不是一篇论文，只是一个reportreportreport ，里面系统的介绍了三个比较著名的排序模型RankNet、LambdaRank、LambdaMARTRankNet、LambdaRank、LambdaMARTRankNet、LambdaRank、LambdaMART ，链接 Rank本篇博文将分析总结下前两个排序模型RankNet、LambdaRankRankNet、La...

本篇博文分享和总结下论文Learning to Rank:From Pairwise Approach&nbsp

这个案例跟推荐系统相关，预测用户可能感兴趣的event。关于这个案例更多信息打开event_recommendation_competition。这里我直接讲解第一名的解决方案。这个方案中除了包含经典的机器学习解决步骤，还融合了推荐系统里传统的解决方法：基于用户的协同过滤，基于物品的协同过滤，当然也可以融合LFM模型等等，因为这个解决方案很经典，所以我觉得值得拿出来详细讲讲。我将贴出完整代码，并且进

当用户浏览某个物品时，标签系统非常希望用户能给这个物品打出高质量的标签，这样才能促进标签系统的良性循环。为什么要给用户推荐标签？一般看来有以下好处。 1）方便用户输入标签。用户一般不愿意通过从键盘输入标签来给物品打标签。给用户推荐标签，可以提高用户打标签参与度。 2）提高标签质量。用户给物品打标签，同一个语义不同内容的词很庞大，而且会使计算相似度不太准确。而使用推荐标签时，我们可以对词表进行选择

在之前的博文中介绍了三种方法给用户推荐物品。 1）UserCF：给用户推荐和他们兴趣爱好相似的其他用户喜欢的物品。 2) ItemCF：给用户推荐与他喜欢过的物品相似的物品。 3) LFM：通过一些特征来联系用户和物品，给用户推荐那些具有用户喜欢的特征的物品。 具体可以看我之前的博文。 本文我将自己实现两个算法，如有不对的地方还望指正。 本节咱们将讨论一种重要的特征表现形式–标签

本博文将介绍PersonalRank算法，以及该算法在推荐系统上的应用。 将用户行为数据用二分图表示，例如用户数据是由一系列的二元组组成，其中每个元组(u,i)表示用户u对物品i产生过行为。将个性化推荐放在二分图模型中，那么给用户u推荐物品任务可以转化为度量Uv和与Uv 没有边直接相连 的物品节点在图上的相关度，相关度越高的在推荐列表中越靠前。图中顶点的相关度主要取决与以下因素： 1）两个顶

LFM(latent factor model)隐语义模型核心思想是通过隐含特征联系用户兴趣和物品。 相比USerCF算法(基于类似用户进行推荐)和ItemCF(基于类似物品进行推荐)算法；我们还可以直接对物品和用户的兴趣分类。对应某个用户先得到他的兴趣分类，确定他喜欢哪一类的物品，再在这个类里挑选他可能喜欢的物品。基于上面的思想，基于兴趣分类的方法大概需要解决3个问题： ①：如何对物品分类

上一讲讲到userCF算法，该算法是根据用户之间相似度，来给目标用户推荐与他们相似用户产生过行为的物品。该算法在某些应用场景并不适用。首先随着网站用户数目越来越大，计算用户兴趣相似矩阵越来越困难，运算时间复杂度和空间复杂度和用户增长近似于平方关系。其次，基于用户的协同过滤很难对推荐结果作出解释。由此产生了基于物品的协同过滤（itemCF）给用户推荐和他们之前喜欢的物品相似的物品。不过ItemCF算法

一： 推荐系统任务：联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产中的双赢。长尾理论：传统80/20(%80销售额来自于20%热门商品)原则在互联网加入下受到挑战。长尾商品销售额是个不容小觑的数字，也许会超过热门商品带来的销售额。热门商品代表绝大多数用户需求，而长尾商品代表一小部分用户个性化需求。因此要发掘长尾以提高

我们之前讨论推荐系统的UserCF算法和ItemCF等算法都是以拥有大量用户行为数据为先决条件，并以此对物品或者用户进行自动聚类。但是对于一个刚刚开始运行推荐系统的应用的网站来说，如何在没有大量用户行为数据的情况下设计个性化推荐系统并且让用户对推荐系统满意，从而愿意使用推荐系统，这就是冷启动问题。对于冷启动问题，一般分为三类： 一）用户冷启动：如何对新用户做个性化推荐。 二）物品冷启动：如何将新