DSIN算法介绍

最新推荐文章于 2024-04-19 10:03:59 发布
原创 最新推荐文章于 2024-04-19 10:03:59 发布 · 5.5k 阅读 · 22 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文深入解析DSIN，一种用于点击率预测的深度学习模型。DSIN通过将用户行为序列划分为多个会话，利用多头自注意力机制和双向LSTM捕捉用户兴趣的演变，最终实现对用户兴趣的有效提取。

参考文献
Deep Session Interest Network for Click-Through Rate Prediction
前情提要
DIN
DIEN

DSIN，全名Deep Session Interest Network，中文名深度会话兴趣网络，跟DIN，DIEN相比，其主要突出了S，Session，这Session具体指的是什么呢，请看下面分解。

却说阿里见众人已双眼迷离，只是无奈地叹了一口气，也不管有没有人继续听，自顾自地开始讲起来。先是照旧扔出一张图
在这里插入图片描述
比起DIEN中对User Behaviors 部分分了三层去处理，在DSIN中有四层！第一层是Session Division Layer，第二层是Session Interest Extractor Layer，第三层是Session Interest Interacting Layer，第四层是Session Interest Activating Layer。先来说Session是什么，我们注意到用户的兴趣很广泛，但在一个较短的时间内还是比较专注的，兴趣会聚焦于一点，我们就把这较短的时间段称为一个Session,比起DIN和DIEN把行为序列全打包到一起，在DSIN中把行为序列划成一个个Session再分别处理会更符合我们的直觉。第一层的Session Division Layer就是把行为序列划成一个个Session，通常把间隔30分钟以上的不同行为item划归成不同的Session,第二层的Session Interest Extractor Layer就是提取出每个Session的兴趣

最低0.47元/天 解锁文章
精通推荐算法28：行为序列建模之DSIN— 基于Session建模用户行为序列
谢杨易的博客
08-21 1344
阿里巴巴研究人员发现，用户行为序列是基于Session的。Session内兴趣相似且集中，Session间则兴趣差异较大。Session按照时间间隔来划分，比如 30分钟。如图511所示为真实场景下的多个用户行为Session。图中展示了三个Session，每张图片代表用户的一次商品点击行为，图片下的数字代表该点击行为与用户第一次点击之间的时间间隔，单位为秒。很容易发现，同一Session内用户兴趣高度集中，而不同Session间则兴趣较为不同。
CTR之Session行为序列建模用户兴趣：DSIN
sgyuanshi的博客
03-25 1444
1. DSIN认为在推荐系统中，用户的行为序列是由多个历史sessions构成，在不同的session中展现了不同的兴趣； 2. 然后，使用多头注意力来捕获session行为的内存相关性，并且提取每一个session兴趣 3. 另外，用户的session兴趣是序列化的，并且彼此相关联，因此用适合序列结构的双向LSTM来捕获session之间的交互和session兴趣的变化； 4. 最后再使用注意力机制来激活那些与target item更为相关的session兴趣；
DSIN模型介绍
舟
04-05 2748
文章目录简介整体结构Session切割层Session兴趣抽取层Session交互层Session兴趣激活层实验 简介 如何获取用户动态变化和演化的兴趣是CTR预估中持续的研究：序列由session组成，session是用户根据发生时间进行切割的行为。用户的行为在每个session里面是连贯的，在不同session中是异构的。DSIN利用了用户历史序列中多个的历史session。DSIN带Bias...
推荐算法(十一)——阿里深度会话兴趣网络 DSIN
予以初始的博客
12-08 1596
目录1 介绍2 原理2.1 Session Division Layer2.2 Session Interest Extractor Layer2.3 Session Interest Interacting Layer2.4 Session Interest Activating Layer3 实验4 总结写在最后 1 介绍 本文为 推荐系统专栏 的第十一篇文章，也是阿里三部曲 DIN、DIEN、DSIN中的最后一篇。 本篇的深度会话兴趣网络 DSIN，是将行为序列划分为多个 Session，然后针对每个
推荐系统 之 DSIN
Francis_s的博客
11-24 1848
1. DSIN的由来 作者认为呀，之前的所有模型，很大程度上都忽略了推荐还有一个非常重要的属性，那就是序列。所以在DEIN这个模型里面，为了更好地利用用户的历史行为，就把序列模型引进了推荐系统，用兴趣提取层来学习哥哥行为之间的关系，为了更有针对性的广告和用户兴趣的关系，又在兴趣提取层后面加入了注意力机制，和兴趣进化层网络。这么想就已经很完美了我觉得，但是阿里的大佬们更加贴近了用户的实际情况，他们发现用户在过去会有很多的历史行为，而且兴趣的方向都不是唯一的，有时候跨度非常大，那么在那么一大串...
【CTR预估】DSIN模型
快来学习鸭～～～
05-30 1764
最近看了一篇文章‘Deep Session Interest Network for Click-Through Rate Prediction’, 这篇是阿里发表在IJCAI2019的文章。 文章地址：https://arxiv.org/abs/1905.06482 作者还开源了代码：https://github.com/hhh920406/DSIN 淘宝最近也公开了一个rank模型，和这...
DSIN模型解读
zhong_ddbb的博客
01-26 1288
文章目录模型结构User Behaviors 部分其他部分 深度会话兴趣网络Deep Session Interest Network for Click-Through Rate Prediction，跟DIN，DIEN 相比，最大的不同在于对用户的历史点击行为划分为不同session，对每个session使用Transformer学习session embedding，最后使用BiLSTM对session序列建模。 在推荐系统中，用户兴趣是十分广泛的，但在一个较短的时间内，用户的兴趣是集中的，我们称这段
DSIN(Deep Session Interest Network)详解
futurewq的博客
06-20 639
DIEN存在一个问题，就是只关注了如何去改进网络，而忽略了用户历史行为序列本身的特点，我们仔细去想，用户过去可能有很多历史点击行为，比如[]item3,item45,item69,item21,...]，这个按照用户的点击时间排好序了，既然我们说用户的兴趣是非常广泛且多变的，那么这一大串序列的商品中，往往出现的一个规律就是再。接下来就是不同的会话都走这样的一个Transformer网络，就会得到一个K*embed_dim的矩阵，代表的是某个用户在K个会话里面的兴趣信息，这个就是会话兴趣提取层的结果了。
DSIN模型
futurewq的博客
02-27 688
DSIN模型
推荐系统（十三）阿里深度兴趣网络（三）：DSIN模型（Deep Session Interest Network）
天泽28的专栏
03-05 3814
这篇发表在IJCAI'2019S上的文章，实际上有点对不起标题，与阿里前两篇paper（DIN，DIEN）相比，DSIN是一篇典型的离线跑跑实验，发发paper（俗称灌水？）的论文，个人对这篇论文的评价：估计写这篇paper的团队纯粹为了KPI，他们大概率根本部署到线上，以这篇paper所描述网络结构的复杂度，即使以阿里的工程能力，个人都觉得很难部署到线上，所以这篇paper只提到了在阿里真的数据集（记住是数据集）上做了评估，只字未提部署到淘宝的线上推荐服务中。这篇文章在工业界没有引起什么注意。
DSIN:使用解码器辅助信息进行深度图像压缩（ECCV 2020）
05-04
使用解码器辅助信息进行深度图像压缩 DSIN（解码器侧信息网络）是使用解码器侧信息进行深度图像压缩的TensorFlow实现，已在ECCV 2020中发布。 引文 如果您发现我们的工作对您的研究有用，请引用： @inproceedings{ayzikA2020dsin, author = {Sharon Ayzik and Shai Avidan}, title = {Deep Image Compression Using Decoder Side Information}, booktitle = {Computer Vision - {ECCV} 2020 - 16th European Conference, Glasgow, UK, August 23-28, 2020, Proceedings, Part {XVII}
经典分形山(D-S)算法——Visual C++实现
03-08
很经典的分形山算法，来源于孙博文《分形算法与程序设计——Visual C++实现》一书。
D-S证据理论算法及实现-matlab实现
06-27
D-S证据理论matlab实现算法 以函数形式编写，只需输入参数即可，简单易用， 如果改进，只需稍加修改
DSIN 项目使用教程
gitblog_00070的博客
04-19 581
DSIN 项目使用教程 1. 项目目录结构及介绍 DSIN 项目的目录结构如下： DSIN/ ├── raw_data/ │ ├── DS_Store │ ├── gitattributes │ ├── gitignore │ ├── LICENSE │ ├── README.md │ └── requirements.txt ├── 0_gen_sampled_data....
[论文阅读笔记] DISN: Deep Implicit Surface Network forHigh-quality Single-view 3D Reconstruction
qq_36099121的博客
10-28 1343
摘要盲点补充 全局特征和局部特征：局部特征则是从图像局部区域中抽取的特征，包括边缘、角点、线、曲线和特别属性的区域等。常见的局部特征包括角点类和区域类两大类描述方式。 SDF（signed distance fields）：有向距离场 使带符号距离字段真正有用的是，如果您需要调整图像的大小，会发生什么情况。距离值由3D硬件以与传统位图中强度值相同的方式插值，但是因为边缘来自测试，所以它保持清晰。这...
推荐系统之深度会话兴趣网络DSIN
李问渔
04-14 920
深度会话兴趣网络DSIN 深度会话兴趣网络（Deep Session Interest Network，DSIN）是阿里发表在IJCAI 2019上的模型， Reference 推荐系统论文DSIN：Deep Session Interest Network 深度会话兴趣网络 DSIN 推荐系统遇上深度学习(四十五)-探秘阿里之深度会话兴趣网络DSIN ...
DISN:Deep Implicit Surface Network for High-quality Single-view 3D Reconstruction
qq_43527694的博客
12-07 3469
时间：2019年 作者：Weiyue Wang ,University of Southern California etc. Abstract： 1.DISN 通过预测基本符号距离场来从二维图像中生成高质量的细节丰富的三维网格； 2.DISN 在二维图像上预测每一个三维点的投影位置，以及从图像特征映射中提取局部特征。将全局特征与局部特征相结合，可以提高符号距离场的预测精度，尤其对于细节丰富的区域。 1.Introduction 1.体素与点云方法通常在分辨率上受到限制； 2.一些方法在神经网
fss算法doa估计
最新发布
01-25
### FSS算法在DOA估计中的实现与解释 #### 背景介绍 FSS (Fast Subspace) 算法是一种用于高效计算子空间的方法，在信号处理领域广泛应用，特别是在到达方向(DOA)估计方面表现出色。该方法通过减少运算复杂度来提高实时性能。 #### 原理概述 FSS算法的核心在于利用矩阵分解技术快速获取信号子空间和噪声子空间。具体来说，对于接收到的数据阵列 \( \mathbf{X} \)，可以表示为： \[ \mathbf{X}(t)=\sum_{i=1}^{d}\alpha_i(t)\mathbf{s}_i+\mathbf{n}(t), t=0,1,\ldots,T-1 \] 其中 \( d \) 是源数，\( T \) 表示采样时间长度，\( \alpha_i(t) \) 和 \( s_i \) 分别代表第 i 个信道的时间序列幅度和平面波矢量[^1]。 为了简化说明，假设已知天线阵列为均匀线性阵列(ULA)，则平面波矢量可由下式给出: \[ a(\theta_k)=[1,e^{-j2πdsinθ_1/λ},...,e^{-j2π(N−1)d sin θ_N / λ}]^T \] 这里 \( N \) 是传感器数量；\( d \) 是相邻两个元件之间的距离；\( λ \) 波长；而 \( θ_k \) 则是要估计的角度参数之一。 #### 实现过程 下面是一个简单的Python代码片段展示如何基于上述理论框架构建基本的FSS DOA估计算法： ```python import numpy as np def fss_doa_estimation(X, num_sources): """ 使用FSS算法进行DOA估计 参数: X : 接收数据矩阵 (N x M) N - 天线数目 M - 时间样本点数 num_sources : 需要估计的目标源的数量 返回值: doa_angles : 估计得到的方向角列表 """ Rxx = np.cov(X) eigenvalues, eigenvectors = np.linalg.eigh(Rxx) Vn = eigenvectors[:, :num_sources] angles = np.linspace(-np.pi/2, np.pi/2, 180) spectrum = [] for theta in angles: steering_vector = create_steering_vector(theta, len(X)) P_fss = 1 / abs(np.dot(Vn.T.conjugate(), steering_vector)) ** 2 spectrum.append(P_fss.sum()) peaks_indices = find_peaks(spectrum)[0][:num_sources] doa_angles = angles[peaks_indices] return doa_angles def create_steering_vector(angle, array_size): """创建给定角度下的导向向量""" wavelength = 1 element_spacing = 0.5 * wavelength k = 2 * np.pi / wavelength n = np.arange(array_size).reshape((-1, 1)) phase_shifts = k * element_spacing * np.sin(angle) * n sv = np.exp(-1j * phase_shifts.flatten()) return sv.reshape((array_size, 1)) def find_peaks(signal): from scipy.signal import argrelextrema maxima_idx = argrelextrema(signal, np.greater_equal)[0][-len(signal)//2:] minima_idx = argrelextrema(signal, np.less_equal)[0][-(len(signal)-len(maxima_idx)):] peak_positions = [] if signal[maxima_idx].max() >= signal[minima_idx].min(): peak_positions.extend(list(maxima_idx[np.where(signal[maxima_idx]==signal[maxima_idx].max())[0]])) return [peak_positions], None ``` 此段程序实现了基础版的FSS DOA估算功能，包括协方差矩阵构造、特征值分解以及峰值检测等主要环节。实际应用场景可能还需要考虑更多因素如多径效应补偿等问题。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值