automl在推薦系統(tǒng)排序模型的探索與應用上_第1頁
automl在推薦系統(tǒng)排序模型的探索與應用上_第2頁
automl在推薦系統(tǒng)排序模型的探索與應用上_第3頁
automl在推薦系統(tǒng)排序模型的探索與應用上_第4頁
automl在推薦系統(tǒng)排序模型的探索與應用上_第5頁
免費預覽已結(jié)束，剩余20頁可下載查看

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領

文檔簡介

LR模型：手工特征工FM模型：自動二階特征組Wide&DeepWide部分手工特征工程+Cross特Wide&Deep是相對原始的深度?？梢钥醋靼裌ide&Deep的LR換成FM；目前StateoftheArt深度模 多階組合 N的結(jié)階段：多 à模型Embedding統(tǒng)傳統(tǒng)多

策略化à模型索 多 à統(tǒng)典型多人工特征工程à排序模型發(fā)展現(xiàn)狀：DNNRanking深度學習兩大里程碑圖像領域àResNet(SkipNLP領域àBert模型(兩階段：預訓練+Fine-DNNRanking模型的困境模型太膚淺，沒深度沒有模型具有突破性的效果提升vs.私有數(shù)據(jù)我們期待DNNRanking的ResNet&Bert高光時刻完備而簡潔的DNN模今日頭條系目前采用的是這個模當然，也有缺點：缺乏細粒度的用戶行為刻趨勢趨勢1（W&D/DeepFM／DeepFFM/DIN/DIEN趨勢2：顯示特征組合（xDeepFM/Deep&Cross結(jié)論：2(OK,(OK,還沒證明自己18年年中AILab嘗試過，效果與DeepFM(OK,butnot(不是好選擇(輔助結(jié)構(gòu)趨勢3：特征抽取器的進 環(huán)境下情況要 復初步嘗 embedding，較好效果 ／ 趨勢4：多模態(tài)（文本，，，音頻….etc.）趨勢5：多目標（點擊，互動，時長…..etc.）行為漏斗：瀏覽>點擊>互動趨勢6：多任務（遷移學習，數(shù)據(jù)量多任務向數(shù)據(jù)量少任務遷移知識現(xiàn)狀：互聯(lián)網(wǎng)公司里，很多任務數(shù)據(jù)量夠多 地體現(xiàn)在行為漏斗中排序模型發(fā)展現(xiàn)狀與趨勢：List趨勢7：Pointwise->List（流排序instead 打分排序模型的未來 LR模 DeepFM模 5年后的？？模假設我們站在5排序模型的未來 by Embedding卷一 AutoML+Ranking：特征自動化à附贈思考題：算法工程師的未來 如果還有未來的話去年（2018）下半 AILab做過嘗試基本構(gòu)件：onehot-embedding／MLP隱層/FM層/Skip-AutoML方法AutoML找出的最優(yōu)結(jié)構(gòu)，效果略微比DeepFM好，不太多排序模型的未來：排序模型也許沒有未問題 和排序兩階段模型，是否可以融合為單階段模型思想實驗：讓

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論