- 博客(9)
- 收藏
- 关注
RSS订阅原创 自动动态调整广告出价OCPC
本文先介绍了广告的基本业态，品牌广告和效果广告，其中效果广告细分为搜索广告和竞价广告。效果广告目前以cpc/点击计费为主，广告主的直接目标是转化，出价和计费之间存在gap，无法高效分辨流量价值。因此平台利用自身数据，基于广告主的目标，自动动态调整广告出价OCPC。百度和淘宝在各自领域深入探索OCPC，公开发表了论文，阐述了原理和实现架构。本分将对两篇论文进行分析和探讨。
2021-01-21 00:31:04
1701
2
原创 embedding向量召回论文分享
在学习推荐系统算法模型时，少不了embedding的应用，尤其是深度学习时代。Embedding最早来自w2v，之后提出了item2vec。在此之后，物品embedding向两个方向发展。1) 一部分是序列，较为有名的：graph embedding，deepwalk，node2vec，line。2) 另一个方向，是利用有监督的反馈，从远及近的重要论文有dssm，youtube dnn，facebook ebr，alibaba mind。
2020-09-26 22:28:43
1306
原创 加速模型收敛神器——归一化(normalization)
进入到深度学习阶段，优化任务是一个非凸优化问题。模型收敛的稳定和速度是算法工程师不得不考虑的问题。归一化自提出后，就是该领域神器。本文将从归一化的思想，介绍常见的几种归一化，探究生效原理三部分来展开，最后是个人使用心得
2020-06-21 23:12:12
3919
原创 多任务学习(Multi-task Learning)在推荐系统中的应用
多任务学习：基于共享表示，把多个相关的任务放在一起学习的一种机器学习方法。多任务起源于迁移学习，利用其它任务的知识，区别在于同时学习多个任务。推荐系统中的任务，相关场景/目标，可以使用多任务学习。近年来，esmm，mmoe，ple等多任务学习结构在业界实践中大放异彩。
2020-04-28 00:01:03
1586
原创 模型底层优化(2)——参数initialize(初始化)和loss设计
Google的工程师Ali Rahimi在他获得一项大奖之后的发言中称，深度学习成为了今天的炼金术。深度学习除了一些基本的理论保证外，还需要一些黑魔法来帮助模型收敛和学习。参数的初始化和loss设计就是其中比较常用的方法。
2020-02-29 17:36:00
864
原创 深度兴趣网络-din/dien
背景：阿里在广告ctr预测中，结合业务场景，提出深度兴趣网络(din)和深度兴趣进化网络(dien)。本文主要从论文出发，分析模型结构，和生产化应用。两篇论文贡献点：din:引入attentiondice激活函数自适应正则化dien:引入GRU设计AUGRU融合attention本文不考虑激活函数和自适应正则化的分析，着重于模型结构。代码实现细节：生产化思考：1）论文中和...
2020-02-15 20:51:44
572
原创 模型底层优化(1)——optimizor优化器及梯度截断
深度学习网络中，模型底层优化也是必不可少的。模型底层优化将分成两部分来讲解，主要为1）optimizor(优化器)的选择，2）参数initialize(初始化)和loss设计。这一节先讲一下optimizor的选择。
2019-12-18 23:07:03
1010
原创 深度推荐模型中组件拆解
近年来，深度学习兴起，制霸了很多算法领域。在推荐系统中，在数据量足够的情况下，深度模型效果也优于传统模型。各大会议中，我们看到相关的模型层出不穷，wide&deep，deepfm，pnn等。细究这些模型，网络结构可以拆分为各个组件，不同的模型可看成是组件的排列组合。下面从组件粒度来分析下深度推荐模型。embeddingembedding是模型的第一层。初始特征先离散化，做one-hot...
2019-10-10 12:06:11
576
原创 推荐系统中的召回算法
推荐策略的两个关键问题分别是“召回”和“排序”。“召回（match）”指从全量信息集合中触发尽可能多正确的结果，并将结果返回给“排序”。召回算法主要有：基于内容匹配的召回，基于协同过滤的召回。
2019-09-01 21:37:26
3858
1
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