收录了 排序模型 频道下的 50 篇内容
搜索,是用户获取信息,找答案最方便快捷的方式。一次用户搜索会经历 Query 解析、召回、排序多个环节,排序作为最后整个过程一环,对用户的体验有最直接的影响。
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。
我们在Transformer结构中引入了一个个性化模块来表示用户的偏好和对item交互的意图。
推荐系统几乎已经深入到人们生活的方方面面,其背后的算法也在不断地迭代更新。FM和FFM模型是最近几年提出的模型,拥有在数据量较大并且特征稀疏的情况下,仍然能够得到优秀的性能和效果的特性。
推荐系统是驱动内容分发的引擎,而个性化则是推荐系统的核心思想。分类模型和排序模型是业界常用的两种个性化建模方式,本文探讨两种方法的异同点。
淘宝直播近两年在排序模型上进行了持续的迭代优化和演进落地,在多目标学习、跨场景迁移、召回匹配、大促GMV优化上都有比较成功的应用实践。
本文来自美团点评技术文章系列。
本文中,我们的目标是解决商品搜索引擎和内容搜索引擎中异构数据排序的问题,给用户推荐丰富的个性化的内容流。我们把算法分成了两部分:1)异构内容流类型排序,即决定每个坑位展示何种类型的内容流,文章、视频还是商品列表;2)同构的内容流内容排序,第二个步骤使用广为人知的DSSM模型,在这个内容流类型下,对内容流的内容进行排序,选择相似度最高的内容插入。
本文介绍网易新闻推荐的深度学习排序系统和模型。
本文来自美团点评技术文章系列。
全球性的搜索引擎Google,看似简单的搜索框背后隐藏的是极其复杂的系统架构和搜索算法,其中排序(以下统称Ranking)的架构和算法更是关键部分。Google正是通过PageRank算法深刻改变搜索排序而一举击败众多竞争对手。本文将介绍有关搜索引擎排序的相关技术内容。
本文介绍BERT在美团搜索核心排序的探索和实践。
搜索是大众点评App上用户进行信息查找的最大入口,是连接用户和信息的重要纽带。而用户搜索的方式和场景非常多样,并且由于对接业务种类多,流量差异大,为大众点评搜索(下文简称点评搜索)带来了巨大的挑战。
2018年12月31日,美团酒店单日入住间夜突破200万,再次创下行业的新纪录,而酒店搜索在其中起到了非常重要的作用。本文介绍了美团在搜索业务中对深度学习的探索。
经过8年的发展,同时伴随着我们对用户需求和行为的不断认识,1号店的搜索Ranking Model也在朝着精细化方向深化。我们希望通过不断演化的排序模型,既能提升用户满意度,也能提升网站的流量转化率。为了保证11.11期间排序学习算法能够在搜索系统中成功应用,我们在今年Q2就开始了这方面的探索。
58 同城作为一个 UV 千万量级的APP,覆盖了租房,招聘,二手房,二手车,本地生活,新房,新车等多个业务。
本文介绍谷歌关于推荐系统中公平性。
本文来自美团点评技术文章系列。
本文介绍汽车之家推荐系统的排序算法演进。
详细介绍YouTube推荐系统的模型结构和技术细节。