Walker-C

文章目录2. Mixed Negative Sampling for Learning Two-tower Neural Networks in Recommendations(0) 个人小结(1) 研究目标(2) 研究方法2. Mixed Negative Sampling for Learning Two-tower Neural Networks in Recommendations(0) 个人小结该文基于矩阵分解的思想，使用了双塔模型建模召回过程，该模型双塔分别为用户Embedding（文中称

文章目录1. Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation (2020)(0) 个人小结(1) 背景 & 问题描述(2) 研究方法(3) 结论与展望1. Efficient Heterogeneous Collaborative Filtering without Negative Sampling for Recommendation (2020)(0)

文章目录Deep Interest Evolution Network for Click-Through Rate Prediction（2019）(0) 个人小结(1) 研究目标(2) 背景 & 问题描述(3) 研究方法(4) 结论与展望Deep Interest Evolution Network for Click-Through Rate Prediction（2019）(0) 个人小结在电商的场景下，用户的兴趣是多样的（可能同时有多个兴趣），并且会随着时间的变化由于外部环境（某商

文章目录Deep Interest Network for Click-Through Rate Prediction（2018）(0) 个人小结(1) 研究目标(2) 背景 & 问题描述(3) 研究方法(4) 结论与展望Deep Interest Network for Click-Through Rate Prediction（2018）(0) 个人小结在一般的深度学习模型中，将用户的行为特征处理为定长的Embedding，这限制了模型表示的信息量，如果增加Embedding的长度，则对

文章目录Attentional Factorization Machines:Learning the Weight of Feature Interactions via Attention Networks （2017）(0) 个人小结(1) 研究目标(2) 背景 & 问题描述(3) 研究方法(4) 结论与展望Attentional Factorization Machines:Learning the Weight of Feature Interactions via Attentio

文章目录Neural Factorization Machines for Sparse Predictive Analytics（2017）(0) 个人小结(1) 研究目标(2) 背景 & 问题描述(3) 研究方法(4) 结论与展望Neural Factorization Machines for Sparse Predictive Analytics（2017）(0) 个人小结该文提出了一种新的模型 NFM，将FM中特征交叉项替换成深度神经网络，该模型由输入层、Embedding层、Bi

文章目录DeepFM: A Factorization-Machine based Neural Network for CTR Prediction（2017）(0) 个人小结(1) 研究目标(2) 背景 & 问题描述(3) 研究方法(4) 结论与展望DeepFM: A Factorization-Machine based Neural Network for CTR Prediction（2017）(0) 个人小结传统推荐方法和深度学习结合的形式有两种，分别是并行和串行。DeepFM就

文章目录Factorization Machines （2010）(0) 个人小结(1) 研究目标(2) 背景 & 问题描述(3) 研究方法(4) 结论与展望Factorization Machines （2010）(0) 个人小结FM 实现了特征之间的交叉，即考虑了组合特征，这可以更好的利用特征，即从特征中提取出更多有效的信息。并且可以通过化简，使其计算的时间复杂度为 O(N)O(N)O(N)。详见博客：因子分解机（Factorization Machines）(1) 研究目标提出 F

文章目录Deep Crossing: Web-Scale Modeling without Manually Crafted Combinatorial Features（2016）(0)个人小结(1) 研究目标(2) 背景 & 问题描述(3) 研究方法Deep Crossing: Web-Scale Modeling without Manually Crafted Combinatorial Features（2016）(0)个人小结FM 也为特征交叉提供了方法，其思路是将特征相乘并学习得

文章目录1. DRN: A Deep Reinforcement Learning Framework for News Recommendation (2018)(0) 个人小结(1) 研究目标(2) 背景 & 问题描述(3) 研究方法(4) 结论与展望1. DRN: A Deep Reinforcement Learning Framework for News Recommendation (2018)(0) 个人小结这篇论文提出了在新闻推荐场景下的深度强化学习框架，将长期利益考虑了进去