收录了 wdl模型 频道下的 24 篇内容
本文来自美团点评技术文章系列。
本文来自美团点评技术文章系列。
本文介绍美团点评业务场景的MT-BERT模型。
本文介绍天猫如何玩转首页个性化推荐。
在 ArchSummit 北京大会的现场,InfoQ 有幸采访到了贝壳团队的许燕松,他给我们介绍了推荐系统在房产领域的实践。
在推荐系统概览的第一讲中,我们介绍了推荐系统的常见概念,常用的评价指标以及首页推荐场景的通用召回策略。本文我们将继续介绍推荐系统概览的其余内容,包括详情页推荐场景中的通用召回策略,排序阶段常用的排序模型,推荐系统的冷启动问题和推荐系统架构,
本文介绍爱奇艺在探索升级排序模型的过程中提出的双DNN排序模型。
本文主要以点击率 (Click-Through Rate, CTR) 预估技术这个战场来展开叙述。
研究人员提出用于淘宝电商推荐的用户行为序列Transformer,又称BST
本文从业务背景、算法架构、匹配模型、排序模型、特色探索等方面,介绍阿里零售通智能导购推荐技术实践。
在推荐系统中,多目标优化一直是热门话题
如何利用相对廉价的机器搭建分布式超大规模机器学习集群是一件非常复杂的事情,对工程和算法都有极高的要求,从Spark到李沐的通用参数服务器,业界对此都进行过哪些尝试?本文尝试梳理一下这方面的历史和当前最佳实践。
现在已经有很多深度学习推荐算法旨在构造高阶交叉特征上
预测物品的点击率在计算广告、推荐系统等不同业务系统中都有一定需求,因此业界在这方面进行了不少研究。然而在机器学习领域,书籍出版远远落后于业界知识更新,这就要求每个从业者阅读大量资料和论文才能跟上知识更新的步伐,而这又需要耗费大量的时间和精力。本文是作者对阅读过的大量相关研究文献的小结,作者尝试结合文献与工作实践梳理广告点击率预测、推荐方面相关的技术脉络,希望能对大家有所帮助。
本文介绍DeepCTR算法库。
重排逐渐成为了工业推荐系统必不可少的一环,今天我们来聊一聊我们在手淘信息流中优化重排收益的实践经验。
深度强化学习给推荐系统以及CTR预估工业界带来的最新进展
近日,腾讯TEG数据平台部机器学习团队与北京大学-腾讯协同创新实验室,合作研发了全新的稀疏大模型训练加速解决方案HET,其研究成果《HET: Scaling out Huge Embedding Model Training via Cache-enabled Distributed Framework》已被国际顶会VLDB 2022录用。HE
近日,腾讯TEG数据平台部机器学习团队与北京大学-腾讯协同创新实验室,合作研发了全新的稀疏大模型训练加速解决方案HET,其研究成果《HET: Scaling out Huge Embedding Model Training via Cache-enabled Distributed Framework》已被国际顶会VLDB 2022录用。HE
对于中小企业来说,拥有一个优质的推荐系统可以让诸多业务问题迎刃而解,然而大部分企业只想着应用 AI,却不知道怎样的推荐系统是适合自身业务的,本文作者是来自荔枝 FM 的数据挖掘工程师兼 AI 工程师,本文他将为读者解答中小企业如果做一套好推荐系统。