推荐算法论文:DIN网络

Posted 我家大宝最可爱

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了推荐算法论文:DIN网络相关的知识,希望对你有一定的参考价值。

简介

  1. 将用户各个维度的稀疏特征压缩成embedding向量,然后将这些向量拼接在一起作为用户向量,这会导致无论输入什么样的广告,用户向量都不变,就很难捕捉到用户在各个广告上的偏好。DSSM模型的时候,用户向量不就是固定的吗,然后输入不同ad的时候,去计算相似度,deepmatch也是的,为什么说不能很好补货用户偏好呢,而且我们可以获取用户的实时行为,每时每刻用户的embedding应该是不一样的吧,还是说这样不一致会导致模型不收敛,所以才要求用户向量必须是稳定的???

介绍

  1. 用户的历史行为被压缩到同一个向量中,这就会导致用户的多种兴趣也被压缩到一起,这就限制了MLP的表达能力,如果增加了embedding的维度,使得参数增加,有可能会导致过拟合,还会增加线上的压力。个人觉得,当用户所有兴趣被压缩到一起的时候,学习到的是不是相当于是平均爱好,这在youtobe论文中有说到

  2. 影响用户点击的可能只与部分历史信息有关,所以无需将用户所有的历史压缩到一起。例如,一个女生点了裙子,可能只是跟他历史点击过鞋子有关,而不是点击过的手机有关。DIN通过局部激活单元的方式,软性搜索与推荐广告相关的历史信息,之后再通过加权池化来表示用户向量。这个想法有点奇怪,之前是将用户所有信息进行平均池化,现在是通过局部激活的方式来加权池化,得到的用户向量再与商品向量进行交互。相当于用户点击的时候,判断哪些信息影响了这次点击,哪些历史影响的小。

以上是关于推荐算法论文:DIN网络的主要内容,如果未能解决你的问题,请参考以下文章

DIN: 阿里点击率预估之深度兴趣网络

阿里深度兴趣网络模型paper学习

推荐系统阿里深度兴趣网络:DIN模型(Deep Interest Network)

推荐系统阿里深度兴趣网络:DIN模型(Deep Interest Network)

推荐系统论文阅读(十)-基于图神经网络的序列推荐算法

深度兴趣网络DIN