暂无搜索历史
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...
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...
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。...
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...
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...
标题: Enhancing User Interest based on Stream Clustering and Memory Networks in ...
标题:Cross-Domain LifeLong Sequential Modeling for Online Click-Through Rate Predi...
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...
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...
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...
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。
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(T...
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...
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...
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。
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...
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(Mult...
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...
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...
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PB...
暂未填写公司和职称
暂未填写个人简介
暂未填写技能专长
暂未填写学校和专业
暂未填写个人网址
暂未填写所在城市