腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
秋枫学习笔记
专栏成员
举报
198
文章
126801
阅读量
29
订阅数
订阅专栏
申请加入专栏
全部文章（198）
模型（46）
embedding（38）
推荐系统（35）
网络安全（30）
https（30）
网络（25）
函数（24）
数据（20）
编程算法（19）
编码（16）
设计（15）
image（10）
性能（10）
神经网络（9）
数据结构（9）
png（9）
框架（9）
机器学习（6）
tcp/ip（6）
迁移（6）
基础（6）
LLM（6）
深度学习（5）
批量计算（5）
正则表达式（5）
大数据（5）
压缩（5）
html（4）
unix（4）
人工智能（4）
存储（4）
强化学习（4）
监督学习（4）
集合（4）
跨域（4）
连接（4）
排序（4）
搜索（4）
效率（4）
优化（4）
github（3）
linux（3）
访问管理（3）
迁移学习（3）
学习方法（3）
field（3）
graph（3）
model（3）
title（3）
二进制（3）
华为（3）
论文（3）
腾讯（3）
NLP 服务（2）
python（2）
css（2）
git（2）
开源（2）
pytorch（2）
数据分析（2）
腾讯云开发者社区（2）
edge（2）
filtering（2）
global（2）
label（2）
layer（2）
meta（2）
network（2）
scaling（2）
time（2）
transition（2）
表格（2）
产品（2）
可视化（2）
量化（2）
流媒体（2）
路由（2）
算法（2）
索引（2）
免费套餐（1）
iphone（1）
java（1）
c++（1）
jquery（1）
打包（1）
日志服务（1）
腾讯云测试服务（1）
缓存（1）
numpy（1）
dns（1）
cdn（1）
无监督学习（1）
微信（1）
机器人（1）
sas（1）
特征工程（1）
ada（1）
airbnb（1）
alpha（1）
anchor（1）
app（1）
behavior（1）
calendar（1）
dp（1）
dynamic（1）
epoch（1）
feed（1）
final（1）
implicit（1）
ipad（1）
it（1）
jobs（1）
key（1）
lm（1）
ls（1）
map（1）
mask（1）
message（1）
modeling（1）
pandas（1）
pdf（1）
point（1）
prediction（1）
product（1）
ps（1）
self（1）
session（1）
solidity（1）
sum（1）
target（1）
task（1）
text（1）
vectorization（1）
vi（1）
部署（1）
插件（1）
递归（1）
工具（1）
工作（1）
规范化（1）
浏览器（1）
生命周期（1）
实践（1）
通信（1）
推荐算法（1）
系统（1）
序列化（1）
学习笔记（1）
语音（1）
重构（1）
搜索文章
搜索
搜索
关闭
腾讯 | ADSNet：基于自适应孪生网络的广告跨域LTV预测
模型
数据
腾讯
网络
跨域
准确的LTV预估对于广告系统的准确性和有效性有重要意义，真实环境中的LTV数据稀疏性较大，使得模型预估LTV值时面临巨大挑战，这极大的限制了LTV预估模型的能力。因此本文提出以下观点：利用广告平台外的外部数据来扩充样本，增强LTV模型的预测能力。同时为解决外部数据与内部数据之间分布差异的问题，提出了自适应差异孪生网络(ADSNet)，采用跨域迁移学习来防止负迁移现象。
秋枫学习笔记
2024-07-25
187
0
KDD'24 | MMBee：多模态融合和行为兴趣扩展在快手直播礼物推荐中的应用
流媒体
模型
语音
函数
集合
本文主要针对直播中的用户行为（评论，礼物等）建模中的问题提出解决方案，以往关于直播礼物预测的研究将这项任务视为一个传统的推荐问题，并使用分类数据和观察到的历史行为对用户的偏好进行建模。但是，由于用户行为很稀疏，尤其是送礼物这类付费行为，想要捕捉用户的偏好和意图相当困难。本文提出了基于实时多模态融合和行为扩展的MMBee方法。
秋枫学习笔记
2024-07-12
174
0
UniRec：考虑序列时间间隔和item交互频率的序列推荐方法
编码
函数
集合
模型
性能
本文主要关注序列推荐中的用户交互行为之间的时间间隔和item频率，以此来提升序列推荐模型的性能。时间间隔更均匀的序列和频率更高的item都能产生更好的预测性能。相反，非均匀序列加剧了用户兴趣漂移，并且由于样本稀疏，低频的item很难建模。本文提出了UniRec，利用序列均匀性和item频率来提高性能，改进非均匀序列和低频item的表征。考虑不同类型的序列对时间的依赖程度不同，采用多维时间建模将时间信息，时间间隔信息融入序列表征之中。
秋枫学习笔记
2024-07-02
161
0
EAGER：将行为和语义协同起来的生成式推荐方法
编码
函数
模型
重构
迁移
生成式检索用于序列推荐是将候选item检索视为一个自回归序列生成问题。但现有方法只关注item信息的行为或语义方面，忽略了它们的互补性。本文提出一种新的生成式推荐框架EAGER，集成行为和语义信息。
秋枫学习笔记
2024-07-02
87
0
BinLLM：让LLM理解用户-商品协同信息的编码方式
模型
压缩
LLM
编码
二进制
LLMRec如何集成用户-item的交互信息？常见的方式是从头训练LLM或者从其他模型来映射协作信息。但这些方法无法以类似文本的格式表示信息，这可能无法与LLM最佳对齐。本文提出BinLLM，通过类似文本的编码无缝集成协作信息。BinLLM将来自外部模型的协作emb转换为二进制序列——一种LLM可以直接理解和操作的特定文本格式，有助于LLM直接使用类似文本格式的协作信息。同时，BinLLM可以使用点小数表示法压缩二进制序列，以避免过长的长度。
秋枫学习笔记
2024-06-18
84
0
（修改）腾讯 | 流聚类和记忆网络对用户兴趣进行增强
存储
模型
腾讯
网络
性能
标题: Enhancing User Interest based on Stream Clustering and Memory Networks in Large-Scale Recommender Systems 地址：https://arxiv.org/pdf/2405.13238 公司：腾讯
秋枫学习笔记
2024-06-07
131
0
LCN：CTR预测中的跨域终身序列建模
跨域
模型
搜索
网络
函数
标题：Cross-Domain LifeLong Sequential Modeling for Online Click-Through Rate Prediction 地址：https://arxiv.org/pdf/2312.06424 公司：腾讯微信
秋枫学习笔记
2024-06-07
181
0
腾讯 | 流聚类和记忆网络对用户兴趣进行增强
性能
存储
模型
腾讯
网络
本文主要针对用户行为稀疏的问题，提出用户兴趣增强（UIE）的方法，从不同的角度使用基于流聚类和记忆网络生成的增强向量和个性化增强向量来增强用户兴趣，包括用户画像和用户历史行为序列。UIE不仅显著提高了兴趣稀疏用户的模型性能，而且显著提高了其他用户的模型效率。
秋枫学习笔记
2024-05-27
281
0
抖音 | 建模用户兴趣时钟用于流媒体推荐
模型
推荐系统
time
编码
流媒体
用户偏好在一天中遵循动态模式，例如，在上午8点，用户可能更喜欢阅读新闻，而在晚上8点，他们可能更喜欢看电影。时间建模旨在使推荐系统能够感知时间变化，以捕捉用户随时间的动态偏好。本文提出了一种有效且通用的方法——兴趣时钟来感知推荐系统中的时间信息。
秋枫学习笔记
2024-05-27
196
0
WWW'24 | 用相似用户和item增强点击率预估
模型
排序
数据
二进制
函数
CTR预估中，我们可以利用用户行为序列来捕捉用户不断变化的偏好。但是，历史序列往往具有严重的同源性和稀缺性。本文提出了一种数据驱动的方法来丰富用户表征。将用户画像和召回的item看作是跨阶段框架内的两个理想数据源，分别包括u2u（用户对用户）和i2i（item对item）。本文提出了一种新的体系结构，称为召回增强排序（RAR），由两个子模块组成，它们协同地从大量相似的用户和召回item中收集信息，从而产生丰富的用户表征。
秋枫学习笔记
2024-05-18
244
0
FINAL: 扩展MLP为因子化交互层用于CTR预测
设计
性能
final
函数
模型
本文所提方法为ctr预估方向，针对如何进行高效，有效的特征交互提出FINAL模型，整体模型比较简单，所以这里的导读就省略了，直接看方法部分即可。
秋枫学习笔记
2024-05-09
339
0
DPN: 考虑用户行为模式的点击率（CTR）预估方法
网络
性能
函数
模型
索引
本文方法主要针对ctr预估中的用户行为建模提出相应的模型，用户交互历史包含了不同的行为模式，反映用户的习惯性范式。本文所提方法利用用户行为模式，将目标注意力（TA）机制扩展到目标模式注意力（TPA）机制，以对行为模式之间的依赖关系进行建模。
秋枫学习笔记
2024-04-30
203
0
WWW'24 | Helen：利用频率Hessian特征值正则化优化CTR模型
性能
优化
函数
模型
算法
本文发现特征频率与特征emb的最高特征值之间存在正相关性，这种相关性凸显了参数空间中损失的不平衡分布，使得传统的优化器很难发现有效泛化的平坦的最小值，而导致将模型优化到次优状态。针对此发现且受启发于Sharpness-Aware Minimization(SAM)方法，基于频率维度的Hessian特征值正则化设计了用于CTR预估模型的优化器Helen
秋枫学习笔记
2024-04-24
182
0
RAT：检索增强的Transformer用于CTR估计
函数
排序
设计
text
编码
本文针对ctr预估中如何进行有效的特征交互提出新的方法。目前的方法主要集中于对单个样本内的特征交互进行建模，而忽略了潜在的跨样本间的关系，这些关系可以作为增强预测的参考上下文信息。为本文提出了一种检索增强的Transformer（RAT），获取样本内部和样本之间的细粒度特征交互。
秋枫学习笔记
2024-04-11
172
0
SIGIR'24 | 打破长度障碍：LLM增强的长文本用户行为CTR预测
效率
LLM
存储
编码
模型
LLM4CTR在训练推理中主要存在以下问题：LLM在处理长文本用户行为时的效率很低，随着用户序列的增长，LLM的效率无法对数十亿用户和商品进行训练。
秋枫学习笔记
2024-04-11
329
0
PPM: 把预训练模型作为插件嵌入CTR模型中
缓存
编码
插件
产品
模型
相对于传统的ID形式的推荐系统（IDRec），本文在模型中引入预训练模型，但预训练模型的参数很多，会导致延迟增加。因此，大部分无法在推荐系统中使用。本文提出一种即插即用的方法，即PPM。PPM采用多模态特征作为输入，并利用大规模数据进行预训练。然后，将PPM插入到IDRec模型中，以提高统一模型的性能和迭代效率。在合并IDRec模型后，缓存网络内的某些中间结果，只有参数的子集参与训练和推理。因此，可以部署端到端模型，而不会增加延迟。
秋枫学习笔记
2024-03-26
269
0
MultiFS: 深度推荐系统中的自动多场景特征选择
模型
性能
优化
推荐系统
框架
传统的多场景推荐系统(MSRS)通常不加区别的使用所有相关的特征，忽视了特征在不同场景下的不同重要性，往往会导致模型性能下降。本文提出了多场景特征选择(MultiFS)框架来解决此问题，MultiFS能考虑场景间的关系，并通过分层门控机制为每个场景选择独特的特征。
秋枫学习笔记
2024-03-18
439
0
Meta | Wukong：推荐系统中的Scaling Law探索
meta
scaling
模型
压缩
推荐系统
Scaling laws在nlp，cv领域的模型改进方面起着重要作用，但是目前推荐模型并没有表现出类似于在大型语言模型领域观察到的规律，本文在模型本身结构上做出调整，提出了一种基于堆叠的因子分解机（FM）的网络架构Wukong，以在推荐领域建立一个缩放定律，所提模型复杂性每增加四倍性能提高0.1%。
秋枫学习笔记
2024-03-18
612
0
华为 | LTV预测：基于对比学习的多视角模型
框架
模型
数据
函数
华为
本文是华为提出用于客户生命价值预测(LTV)的对比学习多视角网络(CMLTV)，主要针对目前存在的LTV预估方法采用单视角建模导致准确度低和知识提取存在偏差的问题。本文提出的多视角网络优点在于：1.即插即用的模块，兼容大部分基准网络；2.集成多个具有互补知识的异构LTV回归器，以提高模型的鲁棒性；3.通过对比学习捕捉样本之间的相关性，减轻对数据丰富性的依赖
秋枫学习笔记
2024-03-06
826
0
行为感知Transformer：用于多行为序列推荐的
alpha
编码
产品
基础
设计
本文主要针对序列推荐中的多行为序列推荐，即行为序列中包含不同的行为类型，比如点击，加购，购买等。为了捕获用户的个性化行为模式和行为间的复杂协作关系，作者提出PBAT方法：
秋枫学习笔记
2024-02-27
372
0
点击加载更多
社区活动
【纪录片】中国数据库前世今生
穿越半个世纪，探寻中国数据库50年的发展历程
立即查看
Python精品学习库
代码在线跑，知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客，速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档
