文章摘要
PostChat
此内容根据文章生成,并经过人工审核,仅用于文章内容的解释与总结

说明

此文档主要收集搜广推相关博主的优质文章(不保证最新)

石塔西的系列文章

/ca

一桥飞架双塔:腾讯“虚拟内核”双塔

再见Attention:建模用户长期兴趣的新范式

三问TDM

一文搞懂Approximate Softmax:从公式到代码

算法周报:再思考PDN和DC-GNN

推荐算法遇到后悔药:评蚂蚁的ESCM2模型

算法周报220510:Online Learning怎样避免遗忘

动态权重:推荐算法的新范式

日久见人心:论建模用户长期兴趣的几种姿势

ps-lite源码解析(4):基于ps-lite实现分布式FM

ps-lite源码解析(3):顾客、工人和服务器

ps-lite源码解析(2):邮局和邮车

ps-lite源码解析(1):基础

授人以渔:分享我的算法学习经验

初来乍到:帮助新用户冷启的算法技巧

刀工:谈推荐系统特征工程中的几个高级技巧

先入为主:将先验知识注入推荐模型

少数派报告:谈推荐场景下的对比学习

久别重逢话双塔

万变不离其宗:用统一框架理解向量化召回

FM:推荐算法中的瑞士军刀

四化大业:论算法工程师的自我修养

推荐算法的”五环之歌”

阿里ESAM:用迁移学习解决召回中的样本偏差

无中生有:论推荐算法中的Embedding思想

知识图谱上的双塔召回:阿里的IntentGC模型

Google PPRGo: 两分钟分类千万节点的最快GNN

亲兄弟明算账:快速了解阿里的M2GRL模型

PinSAGE有伴了! 快速了解PinnerSAGE模型

GraphSAGE+FM+Transformer强强联手:评微信的GraphTR模型

PinSAGE召回模型及源码分析(3):PinSAGE模型及训练

PinSAGE召回模型及源码分析(2):数据管道

PinSAGE 召回模型及源码分析(1): PinSAGE 简介

负样本为王:评Facebook的向量化召回算法


水哥的系列文章

从零单排程序员职业生涯

从零单排推荐系统文章汇总目录(长期更新中)


iwtbs的系列文章

推荐系统多目标优化专题(2)—融合公式设计思路

推荐系统多目标优化专题(1)——深入理解推荐系统

双塔召回模型的前世今生(下篇)

双塔召回模型的前世今生(上篇)

nearline(近线)召回在阿里妈妈的实践

《Embedding-based Retrieval in Facebook Search》论文精读

蒸馏技术在推荐模型中的应用

推荐中的多样性与生态建设

推荐系统中的debias算法

借Youtube论文,谈谈双塔模型的八大精髓问题

推荐中的召回算法—总结串讲

召回模型中的负样本构造

推荐算法中的“多目标学习”

推荐场景中一些反直觉的“坑”

业务增长的杀手锏—推荐算法的冷启动

聊聊向量化召回的一些工程经验

推荐系统中的bad case怎么debug

推荐场景中,线上线下指标不一致是为啥

向量召回—近邻快速查找算法总结

谈谈推荐算法中的‘trade-off’

谈谈我眼中的“推荐算法”


张俊林的系列文章

推荐系统召回四模型之:全能的FM模型

推荐系统召回四模型之二:沉重的FFM模型

FFM及DeepFFM模型在推荐系统的探索

SENet双塔模型:在推荐领域召回粗排的应用及其它

知识蒸馏在推荐系统的应用

对比学习视角:重新审视推荐系统的召回粗排模型

利用Contrastive Learning对抗数据噪声:对比学习在微博场景的实践

对NLP以及推荐系统未来发展趋势的看法

推荐系统技术演进趋势:从召回到排序再到重排

张俊林:推荐系统排序环节特征 Embedding 建模

张俊林:对比学习在微博内容表示的应用

张俊林:从对比学习视角,重新审视推荐系统的召回粗排模型

推荐系统中稀疏特征 Embedding 的优化表示方法


朱小强的系列文章

屠龙少年与龙:漫谈深度学习驱动的广告推荐技术发展周期

你真的懂点击率(CTR)建模吗?

算力经济时代:阿里展示广告引擎的”柔性”变形之路

镶嵌在互联网技术上的明珠:漫谈深度学习时代点击率预估技术进展


Tang AI的系列文章

推荐系统的历史

推荐算法在工业界的应用

推荐算法的基石-数据

推荐算法的特征工程之连续值特征处理

特征工程之离散特征处理

推荐系统的架构-冷启动-召回-粗排-精排-重排

推荐算法之abtest实验设计

推荐算法的离线评价指标综述

一文说尽推荐系统的召回模型

协同过滤算法系列(Collaborative Filtering,Swing,adamic-adar)


九老师的系列文章

所谓技术深度

给校招算法同学的几点建议

我在阿里遇到的牛人

基于物品的协同过滤i2i–算法、trick及分布式实现

左高玩的推荐系统(一):一天就能搞定的实时个性化推荐系统

推荐算法三视角:矩阵,图,时间线

YouTube年度最大收益:强化学习遇到推荐系统


bytecoder的系列文章

算法工程师养成记

搜索算法工程师101

谈谈搜索指标

浅谈综合搜索过程指标

语义召回浅析

广告算法101

谈谈对比学习对语义召回的作用

谈谈搜索语义相关性

做好搜索体验是否只要做好相关性就好了

谈一谈多目标建模

视频搜索精排满意度刻画

浅谈点击信号对搜索的影响

谈谈内容供给的重要性

新搜索的一点个人思考


周国睿的系列文章

想为特征交互走一条新的路

我眼中推荐系统走向下一阶段最重要的三个问题


缄默笔记的系列文章

推荐系统(一) FINT:基于特征域交叉的CTR模型

推荐系统(二) XCrossNet:面向特征结构学习的CTR模型

推荐系统(三) DESTINE:基于解耦自注意网络的CTR模型

推荐系统(四) EDCN:通过信息共享增强并行CTR模型显式和隐式特征交叉

推荐系统(五) SAM:重新思考CTR模型中Attention的作用

推荐系统(六) FmFM:FM类浅层CTR模型统一框架

推荐系统(七) 2021年「顶会论文」特征交叉相关CTR模型汇总

推荐系统(八) ContextNet:基于上下文信息优化特征Embedding的CTR模型

推荐系统(九)「CIKM’21」DCAP:基于深度交叉注意力网络的CTR模型

推荐系统(十) 「知识梳理」CTR模型中连续特征加入方法

推荐系统(十一) 2021-2022年工业界推荐算法实践经验汇总

推荐系统(十二) 门控机制在CTR模型中应用梳理

推荐系统(十三) 推荐算法综述类文章梳理(上)

推荐系统(十四) 推荐算法综述类文章梳理(下)

推荐系统(十五) 大厂实践经验学习:排序模型

推荐系统(十六) 大厂实践经验学习:多目标模型

推荐系统(十七) 「美团」对偶增强双塔模型

推荐系统(十八) 大厂实践经验学习:双塔模型

推荐系统(十九) 「WSDM’22」信息流中基于视野范围感知的重排序模型

推荐系统(二十) 「SIGIR’22」利用上下文特征表示学习提升CTR预估

推荐系统(二十一)「SIGIR’22」基于用户行为历史的多层次交叉重排模型

推荐系统(二十二)「IJCAI’22」多阶段推荐系统中重排综述

推荐系统(二十三) 基于场景感知和交互的多场景推荐模型

推荐系统(二十四)「知识梳理」多场景建模梳理

推荐系统(25)「腾讯」MFH:面向大量多维关系任务的多层级多任务学习模型

推荐系统(26) 2022 Q2工业界推荐算法实践经验梳理

推荐系统(27):「京东」基于候选Items对用户隐式感知建模

推荐系统(28) 2022 Q2 推荐算法综述类文章梳理

推荐系统(29)「阿里」AdaSparse: 自适应稀疏结构的多场景CTR模型

推荐系统(30):2022顶会CTR相关论文梳理

推荐系统(31)「阿里」自适应场景兴趣网络

推荐系统(32)「梳理」知识蒸馏优化粗排模型

推荐系统(33) 2022 Q3工业界推荐算法实践经验梳理

推荐系统(34)「CIKM’22」深度CTR模型过拟合现象分析

推荐系统(35) 序列建模文章梳理

推荐系统(36) 2022 Q4工业界推荐算法实践经验梳理


博雅数科的系列文章

多模态算法的难点

ChatGPT能够代替搜索吗?ChatGPT能做什么?

搜索排序中的CTR预估

搜索排序中的learning to rank

搜索排序中的click model

搜索排序中的时新性

搜索排序中的多样性

搜索排序的权威性

有价值可依赖,纯净搜索不仅仅是没有广告

细分垂直搜索还有机会吗?

抖音内容理解到底是怎么实现断崖式领先的?

Embedding检索能代替文本检索吗

query理解的几个糙快猛方法

同义词在线替换

实体识别 - 知识增强的实体识别

搜索系统在算法上面临的挑战

搜索系统的评测方式

搜索系统的架构和主要模块

语义搜索系统的原理

搜索系统的原理

搜索系统和推荐系统的对比

知识图谱是个伪概念吗?

说一说医疗搜索

搜索难还是推荐难?

搜索的一些新趋势

说一说视频搜索

在query理解中能ALL IN BERT吗?

搜索系统的架构设计

搜索引擎的两大问题(2) - 相关性

搜索引擎的两大问题(1) - 召回

搜索引擎新的战场 - 百度、头条、微信


播播笔记的系列文章

用户冷启POSO论文详读

用户行为长序列建模SDM

用户行为长序列建模MIMN方法和思考

用户行为序列建模概览

用户行为序列建模self attention和具体实现

用户行为序列建模dsin方法

用户行为序列建模din系列总结

用户行为序列建模din方法和实际应用

用户行为序列建模dien方法

用户行为:长序列建模概览

一文读懂Batch Normalization

一句话理解tensorflow中的各种乘法

推荐中多目标的必要性和实现思路

特征交叉:从曾经的王者LR开始

特征交叉 | wide&deep: 开启DNN模型特征交叉时代

特征交叉 | PNN: product层实现交叉

特征交叉 | FwFM和AFM:显式特征交叉权重精细化

特征交叉 | FNN和NFM: FM与DNN输入的结合

特征交叉 | FM: emedding化特征交叉鼻祖

特征交叉 | FFM: 显式特征交叉按域精细化

特征交叉 | DeepFM: 绕不开的业界强base

特征交叉 | DCN特征交叉系列概览

特征交叉 | DCN-v: 显式高阶特征交叉不是梦

特征交叉 | DCN-m: 显式高阶特征交叉进阶版

什么是好的推荐,重新认识AUC

深度学习中常见激活函数的原理和特点

如何计算AUC

人类为什么需要推荐

激活函数的业务应用以及相关面试问题

多目标样本权重-GradNorm/DWA原理解析和代码实现

多目标样本权重-DTP和不确定性加权

多目标模型结构-MMoE和实际应用思考

多目标模型结构-ESMM和ESM2

多目标-RecSys2020最佳长论文PLE模型及其效果分析

POSO方法的实际应用和分析思考

BN为何NB及其应用

AUC离线和在线表现不一致:两个维度(2)

AUC离线和在线表现不一致:两个维度(1)

AUC离线和在线表现不一致:两个维度(1)


蘑菇先生学习记的系列文章

职场成长

2021年度回顾 | 分享算法岗工作感悟

2021届校招算法岗知识点总结

一年级算法工程师的工作总结

我的生产力工具

万字长文 | 2023届校招算法岗知识总结

万字入门推荐系统

所谓技术深度

算法工程师如何面对老板的灵魂拷问?

四化大业:论算法工程师的自我修养

授人以渔:分享我的算法学习经验

年终总结| 以算法岗为例:我最想对入职前的自己说些什么?

工作体验 | 在快手,我们在做些什么?

工作体验 | 校招进入腾讯做算法是什么体验

超详细|算法岗学习路线大总结

入职半年小结 | 给应届校招算法同学的几点建议

用户行为序列

业界实践 | 用户长期行为序列建模经验总结

用户行为序列建模方法调研

长序列建模经验(一)

长序列建模经验 (二)

浅谈行为序列建模

召回

百度搜索召回调研

谈推荐场景下的对比学习

涨点利器 | 双塔模型涨点分享

语义向量召回之ANN检索

语义搜索前沿 | Bing搜索、淘宝搜索最新工作

用统一框架理解向量化召回

业界总结 | 如何改进双塔模型,才能更好的提升你的算法效果?

双塔召回模型的前世今生(下篇)

双塔召回模型的前世今生

重排

重排序调研

智能重排序在推荐场景中的应用

CXR预估

再见Attention:建模用户长期兴趣的新范式

阿里妈妈搜索广告CTR模型的“瘦身”之路

想为特征交互走一条新的路

你真的懂点击率(CTR)建模吗?

多场景/目标

推荐系统多目标融合公式设计经验

推荐系统多场景联合建模经验

一文梳理业界多场景多目标精排建模方案

推荐精排模型之多目标模型

推荐系统之多目标优化小结

抖快信息流推荐多目标优化经验

因果推断

因果推断推荐

因果推断初探 | 万事皆有因果

冷启动

小红书冷启动技术&指标体系(一)

小红书冷启动技术&流量调控(二)

小红书冷启动技术&冷启召回(三)

新用户冷启推荐技巧总结

冷启动推荐

bias/debias

推荐系统之Position-Bias建模

推荐系统公平性也能进行监管和认证了?

搜推广Position Debias模型实践经验

特征工程

推荐系统之未登录特征值处理

推荐系统特征工程高级技巧总结

搜推广特征工程该怎么做?

基础

四万字全面详解 | 深度学习中的注意力机制(完结篇)

树模型奠基性论文解读| GBM: Gradient Boosting Machine

深度学习中的注意力机制调研(一)

深度学习中的注意力机制调研(三)

深度学习中的注意力机制调研(二)

经验分享 | 谈谈综合搜索过程指标

经验分享 | 谈谈搜索指标

新搜索的一点思考

线下指标涨为什么没带来线上指标提升?

大规模图神经网络上的GNN加速算法

模型debug实战| Ng算法诊断理论的应用

其他推荐

推荐系统产品概述

推荐算法的”五环之歌”

跨域推荐调研

跨域推荐

基于知识蒸馏的推荐系统调研

基于对比学习的推荐

基于Bandits的推荐

谷歌自监督工作精读

多样化推荐调研

给推荐系统加入先验知识的方法总结

快手 | CIRS:聊聊推荐系统的信息茧房问题

美团 | 点评搜索相关性模型演进

千人千模:基于meta-learning的广告算法新范式

淘宝:Graph在短视频冷启动、爆款预测、大规模图检索和知识图谱预训练上的应用

论文解读

WSDM’22|阿里Feed流推荐重排序

WSDM’22 | 工业界搜推广nlp论文整理

WSDM’22 | GNN协同过滤设计空间研究

Top100图神经网络论文大盘点

TKDE’20 | 基于深度学习的时空数据挖掘综述

SIGIR’22 | 阿里:精排和创意联动建模

SIGIR’22 | 阿里 ESCM^2: 升级版全空间多任务转化率预估

SIGIR21-自动消除搜索推荐排序bias: All you need is AutoDebias

SIGIR’21|SGL基于图自监督学习的推荐系统

SIGIR’21 快手 | 基于图神经网络的序列推荐

SIGIR2021 | 推荐系统论文分类整理

SIGIR2020|GCE-GNN基于全局上下文增强的图神经网络序列推荐方法

SIGIR’20| KEPS:知识增强的个性化搜索

SIGIR’20 | 阿里ESAM:用迁移学习解决召回中的样本偏差

RSPapers | 工业界推荐系统论文合集

Recsys’22 | 面向推荐系统的通用预训练和个性化prompt框架

Recsys’21 | 浅谈推荐系统如何在NLP的肩膀上前进

Recsys’21 | 基于Transformers的行为序列建模

Recsys2021 | 推荐系统论文整理和导读

Recsys’19| YouTube 基于多任务学习和位置纠偏的排序模型

Nature2017| AlphaGo Zero强化学习论文解读系列(二)

Nature 2016| AlphaGo 强化学习论文解读系列(一)

MM’19 | MMGCN 面向短视频推荐的多模态图神经网络

LambdaLoss | Google排序学习优化框架

Keyword-BERT | 问答系统中语义匹配的『杀手锏』

KDD’22 | 天级更新超越实时?看Pinterest另辟蹊径做用户长期兴趣建模

KDD’22 | 美团 AutoFAS: 新一代基于NAS的粗排架构

KDD’22 | 阿里: 基于EE探索的精排CTR预估

KDD’22 | 阿里 如何使用GNN做多模态搜索?

KDD’21|面向序列依赖场景的自适应信息传递多任务框架

KDD’21| 透过 Chrome 插件商店看推荐系统搭建技巧

KDD’21 | 一种使用真负样本的在线延迟反馈建模

KDD’21 | 淘宝搜索中语义向量检索技术

KDD’21 | 时间检验研究奖论文解读

KDD’21 | 揭秘Facebook升级版语义搜索技术

KDD2021| 工业界搜推广nlp论文整理

KDD2021 | 推荐系统论文集锦

KDD’20 | 异质网络在滴滴出行中的应用

KDD20 | 图神经网络的无冗余计算

KDD’20 | Airbnb搜索多样化重排序

KDD’19| ConcepT 腾讯如何打造概念标签体系?

KDD’19 | 爱彼迎在搜索中应用深度学习的经验

KDD CUP 2020之Debiasing赛道方案 (Rush)

ICLR2021 | 唯一录取的NER论文:NER数据存在漏标怎么办?

ICLR’20 | 理解多任务学习中的信息迁移

GraphCTR特征交互新路线 | 一文梳理基于Graph的特征交互在CTR预估中的应用

CIKM’22 | 淘宝 GIFT: 基于Graph的精排冷启动视频CTR预估

CIKM’22 | 快手:短视频端智能重排

CIKM’21 阿里 | 一个模型搞定多个CTR业务

CIKM’21 | 图模型在广告检索中的应用

CIKM’22 | 阿里: CTR 预估中的过拟合现象研究

AAAI 2020 | MA-GNN 记忆增强的图神经网络序列推荐方法

炼丹笔记的系列文章

CXR预估

这个点击率模型,值得用户托付终身

这个CTR模型,有点意思

这”一”个点击率模能用遍阿里,凭什么?

再谈序列化推荐-集成item类目属性

再谈序列化推荐

序列推荐的一些秘密_HGN

序列化推荐系统的挑战,进展和展望!

效果远超FM,CF最新利器HFM!

为什么这么好的CTR预估总结之前没分享(下篇)

腾讯赛霸榜神技ONN_NFFM

跨域CTR预估,带你一飞冲天!

读了那么多CTR论文, 真正有效的又有几个呢?

曾今的CTR竞赛王者NFM

xDeepFM:CTR预估之特征交叉的艺术

Normalization在CTR问题中的迷之效果!

I CAN,You CAN,We CAN!让我们一起看看CTR预估的CAN哥!

FM”又又又”升级了?

DIN!知识点啊朋友们!

CVR预估之延迟反馈问题

CVR预估之延迟反馈问题

CTR预估总结(上篇)

CTR预估系列炼丹入门手册

CTR神经网络特征交叉汇总!

CTR模型越来越”深”,如何让它变”轻”?

CTR和CVR,小孩子才做选择…

AoAFFM:Attention+FFM强强组合

算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(下篇)

算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(上篇)

用预训练GNN预估点击率有奇效?

神级特征交叉, 基于张量的多语义交叉网络TFNET!

点击率预估又有新花样?

召回

SENet双塔模型:在推荐领域召回粗排的应用及其它

当推荐系统遇上多模态Embedding

负样本修正:既然数据是模型的上限,就不要破坏这个上限

负样本的艺术,再读Facebook双塔向量召回算法

双塔模型中的负采样

双塔模型没效果了?请加大加粗!

淘宝搜索中基于embedding的召回

召回:是”塔”,是”塔”,但不是双塔!

一个模型使召回阶段又”准确”又”多样”

小学生才做选择题,“塔”们,我全要!多兴趣召回!

万物皆可embedding

推荐系统炼丹笔记7:负样本的艺术

推荐系统炼丹笔记6:双塔篇,是塔,是塔,就是塔

是”塔”!是”塔”!就是它,我们的双塔!

2020最后一篇!就是这么”硬”!召回系统就该这么做!

都步入2021年,别总折腾”塔”了

图&&树

从Deepwalk到有”规律”的walk

推荐融合GNN,图谱、多模态竟取得了如此惊艳的效果

推荐系统与GNN擦出的火花竟如此绚丽多彩

学术圈竞赛圈大讨论,深度学习真的比不过GBDT模型吗?

用XGB调XGB?“我”调”我”自己?

用XGB learning to rank

反馈

猜猜你的标签有多少错了?

别滥用隐式反馈了,模型学偏了!

颤抖吧,标签工程来了!

隐式反馈的去噪,模型取得巨大提升!

从用户反馈的可解释性提升推荐模型 ****

多任务

多任务学习如何做到你好我也好?

腾讯提出的”最强”多任务学习(MFH)不学习下吗?

一文”看透”多任务学习

一石二鸟:推荐算法多目标建模技巧

推荐系统多任务学习上分神技!

特征工程

RecSys2020推荐系统特征工程汇总

曾几何时,我们都是炼的不是丹,是特征!

漫谈特征缩放

用Dropout思想做特征选择保证效果,还兼顾了线上性能?

推荐系统中多值特征的八大处理技巧!

特征筛选偷懒神器-M3USelector

数据量大了跑不动?PySpark特征工程总结

AutoDim,如何节省70%的存储空间同时还能大幅提效?

其他

这些我全要!推荐系统一石二鸟之道

这个推荐模型怎么这么复杂,效果却还不错?

一文弄懂各种loss function

延迟反馈带来的样本偏差如何处理

协同过滤算法效果不佳怎么办?知识图谱来帮忙啦!

我为什么喜欢它?带有解释的推荐系统第二弹

微信视频号推荐算法上分神技!

推荐系统中的长尾物品(Tail Items)推荐问题

推荐系统是如何找到相似用户的?

推荐系统炼丹笔记3:排序篇,一本家谱

推荐系统里,你是怎么Embedding的?

推荐系统里,可以用蒸馏吗?

推荐系统User-Item Embedding图算法

推荐系统Bias大全

推荐竞赛金牌技能!

同款商品识别的克星–ArcFace!

搜推实战-终极奥秘!

搜推实战-有内味了!

搜推实战-味道渐浓!

是不是你的模型又线下线上不一致啦?

庖丁解牛之Deep Retrieval

庖丁解牛之ComiRec

排序(rank)后重排(re-rank)?

流量为王:收益最大化的混排机制

流量为王:ABTest流量分层分桶机制

聊聊Batch Normalization在网络结构中的位置

个性化推荐质量的优劣,谁说了算?

对”样本不均衡”一顿操作

点击位置偏差的经验比较,文章虽老,提升不小!

当推荐遇到冷启动

单网络内部集成:我要打十个!

不懂这些专业术语别说你懂广告

self-attention竟然没用?

MF vs MLP:讲述科学调参在推荐模型中的意义

Learning to Rank:X-wise

Attention函数手册!

80来个电商搜索推荐业务词汇,你都会吗?


浅梦学习笔记的系列文章

职场经验

算法小白的学习路线(一)

算法小白的学习路线(二)

一年级算法工程师的工作总结

一个算法工程师在技术方面的反思!

一个“普通人”的秋招算法岗上岸心得

我的求职经验总结(文末福利)

内卷?谈谈AI算法人才职业发展

聊聊如何与实习生相处

聊聊晋升之后

万字长文:给算法校招同学的一些建议!

入职快手半年工作小结

入职半年小结 | 给应届校招算法同学的几点建议

诸葛越:关于算法工程师职业发展的思考

分享一些面试中的经验和心得

工程能力

自己工作中超全spark性能优化总结

谈一谈算法工程师的落地能力

浅谈流式模型训练体系

高维特征的哈希技巧总结

超全spark性能优化总结

那些年踩过的Tensorflow的坑(一) 实现FM 10x加速

那些年踩过的Tensorflow的坑(二) 实现FM 10x加速

TensorFlow Estimator 模型从训练到部署

快速掌握TensorFlow中张量运算的广播机制

TF中令人困惑的通信机制——Rendezvous(一)本地传输

Spark 的一些人生经验

Faiss - 常见问题总结

Facebook工程实践:语义向量召回之ANN检索

推荐系统中模型训练及使用流程的标准化

一文梳理工业界大规模推荐系统Serving架构分析

增量学习在CTR模型训练中的实践

实现大规模图计算的算法思路

实时数据流计算引擎Flink和Spark剖析

知识蒸馏

知识蒸馏在推荐系统中的应用及方法总结

知识蒸馏在广告系统中的应用(一)

知识蒸馏在广告系统中的应用(二)

知识蒸馏与推荐系统

召回

一文梳理推荐系统的中 EMBEDDING 的应用实践

EMBEDDING 在大厂推荐场景中的工程化实践

推荐场景中召回模型的演化过程

推荐系统召回层做离线评估的一种姿势

推荐系统总结之深度召回模型

推荐系统主流召回方法综述

推荐系统粗排&召回相关性优化的最新进展

搜索推荐中的召回匹配模型综述(一)–传统方法

搜索推荐中的召回匹配模型综述(一)–传统方法

搜索推荐中的召回匹配模型综述(三)–基于匹配函数学习的深度学习方法

搜索推荐中的召回匹配模型综述(二)–基于表示学习的深度学习方法

负样本为王:评Facebook的向量化召回算法

SIGIR 2020 | 超越用户embedding矩阵:用哈希对大型用户建模

SDM(Sequential Deep Matching Model)的复现之路

DeepMatch :用于推荐&广告的深度召回匹配算法库

谷歌最新双塔DNN召回模型——应用于YouTube大规模视频推荐场景

粗排

阿里 at SIGIR’2021 | 粗排模型如何进行性能与效率的权衡

CXR预估

深度交叉注意力乘积网络DCAP

深度CTR预估模型的演化之路

点击率预估与冷启动(一)

点击率预估与冷启动(二)

常见CTR论文挑刺

双重样本感知的DIFM模型

FGCNN:使用 CNN 进行特征生成的 CTR 预测模型

Evolution of CTR prediction models

DCN-M:Google提出改进版DCN,用于大规模排序系统的特征交叉学习(附代码)

CTR预估在动态样式建模和特征表达学习方面的进展

Ctr 预估之 Calibration

基于用户行为检索的点击率预估模型

推荐系统之Co-action Network理解与实践

阿里 at KDD 2019,CTR预估中超长用户行为序列建模实践与批判性读后感

一文纵览用户行为序列推荐模型

多任务学习在推荐算法中的应用

多任务学习优化(Optimization in Multi-task learning)

多任务学习(MTL)在转化率预估上的应用

多目标学习(MMOE/ESMM/PLE)在推荐系统的实战经验分享

多目标推荐场景下的深度学习实践

广义多目标算法探索实践

线上线上性能指标

线下auc涨,线上ctr/cpm跌的原因和解决办法

线上线下效果一致性杂谈

广告

转化率模型之转化数据延迟

计算广告发展历程——从CPC到oCPX

计算广告OCPC算法实践(一) 智能出价PID控制中的偏差与响应函数设计

计算广告OCPC实践(四) 如何从0开始建立ocpc业务

计算广告OCPC实践(三) ocpx效果到底怎么样?从ocpc与ocpm的区别说起

广告主视角下的信息流广告算法探索

广告主视角的信息流投放模型问题思考

广告智能定向技术lookalike

广告算法工程师的日常

广告模型初探(一)

广告模型初探(三)

广告模型初探(二)

广告流量分析之评价指标的选择(一)

广告流量分析之评价指标的选择(二)

广告和推荐排序中消除position bias的方法

广告点击率CTR修正-Wilson CTR

广告出价–如何使用PID控制广告投放成本

广告成本控制-PID算法

搜索广告之自动化创意

搜索>推荐>广告:新一代算法模型的探索与思考!

图&&树相关

一文直击Graph Embedding图表示学习的原理及应用

【GraphEmbedding】SDNE算法原理,实现和应用

【GraphEmbedding】LINE:算法原理,实现和应用

【GraphEmbedding】LINE:算法原理,实现和应用

【GraphEmbedding】GraRep:基于矩阵分解的图表示学习

【Graph Embedding】Struc2Vec算法原理,实现和应用

【Graph Embedding】node2vec-算法原理,实现和应用

【Graph Embedding】node2vec-算法原理,实现和应用

【Graph Embedding】DeepWalk算法原理,实现和应用

【Graph Embedding】DeepWalk算法原理,实现和应用

Graph Neural Network:GCN 算法原理,实现和应用

GNN在下拉推荐的应用

GNN4Rec:图神经网络在阿里推荐中的应用

GNN4Rec:如何用GNN来进行特征交互?

GNN4Rec: 解耦表示,理解用户的多样偏好和意图

机器学习:疯狂版少女潦草手记Xgboost

推荐&&排序

主流推荐与垂类推荐技术的发展与延伸

主流推荐引擎技术及优缺点分析

多业务融合推荐策略实践与思考

推荐系统rerank模型梳理&论文推荐

推荐系统rank模块-Online Learning

推荐系统中的排序学习

分类模型与排序模型在推荐系统中的异同分析

强化学习在推荐冷启动优化中的实践探索!

强化学习在推荐混排中的应用

如何将知识图谱引入推荐系统?

如何构建一个好的电商搜索引擎?

如何构建A/B测试系统,其核心功能有哪些?

如何从 0 到 1 构建个性化推荐?

全新的深度模型在推荐系统中的应用

网爆:推荐系统的112条实战经验

推荐系统应该如何保障推荐的多样性?

推荐系统研究中常用的评价指标

推荐系统评价:什么是好的推荐系统

推荐系统解构

推荐系统架构治理

推荐系统衡量:ABtest 框架

推荐系统的发展与简单回顾

基于物品属性的用户关注列表序列推荐

浅谈Learning to Rank中的RankNet和LambdaRank算法

Learning to rank基本算法小结

LambdaLoss | Google排序学习优化框架

特征工程

特征工程与特征选择架构性好文

浅谈电商搜索推荐中ID类特征的统一建模:Hema Embedding解读

秋枫学习笔记的系列文章

AAAI 2022 推荐系统相关论文整理

AAAI’21 | 会话推荐–稀疏注意力去除噪声,自注意力生成目标表征

AAAI’21 「京东」会话推荐–基于图学习和注意力机制的多层次交互关系挖掘

AAAI’21「华为」图异构多行为推荐方法

AAAI’22「腾讯」多任务推荐系统中的跨任务知识蒸馏

AAAI’23「美团」推荐营销中资源分配问题的直接异质因果学习

AAAI’23「腾讯」AdaTask:一种多任务学习的任务感知自适应学习率方法

Ada-Ranker:咱就说咱能根据数据分布自适应,不信瞧瞧?

CIKM 2022 推荐系统,因果推断论文整理

CIKM’21 「腾讯」对比学习+课程学习进行序列行为增广

CIKM’21 CBML | 基于聚类的元学习序列推荐方法

CIKM’21「Adobe」Locker:具有局部约束的自注意力序列推荐

CIKM’21「eBay」推荐系统–利用超图对商品的多模态信息建模

CIKM’21「华为」图+推荐系统:比LightGCN更高效更有效的UltraGCN

CIKM’21「华为」推荐系统 | 因果推断+强化学习:反事实用户偏好模拟

CIKM’21「华为」推荐系统:用于协同过滤的余弦对比损失

CIKM’21「快手」视频推荐 | 概念感知的去噪图神经网络

CIKM’21「品趣」序列推荐DT4SR:将序列建模为不确定性分布

CIKM’21「网易」新用户冷启动:MAIL生成虚拟用户交互表征

CIKM’21「微软」增量图卷积用于协同过滤

CIKM’21会话推荐:自监督图协同训练缓解数据稀疏问题

CIKM’21序列推荐:时间切片+图神经网络学习用户和item的动态表征

CIKM’21序列推荐|基于区域的embedding捕获用户行为中的偏好

CIKM’21序列推荐|通过二部图和注意力机制聚合序列信息和时间信息的推荐方法

CIKM’22 [上交,阿里] HEROES:用于全空间多任务学习的多尺度用户行为网络

CIKM’22 |  序列推荐中的双重倾向性估计缓解数据有偏问题

CIKM’22 | EC4SRec:可解释引导的对比学习用于序列推荐

CIKM’22 | 序列推荐中的多层次对比学习框架

CIKM’22「阿里」多场景个性化推荐的场景自适应自监督模型

CIKM’22「清华+华为」DualRec:考虑过去和未来信息的双网络序列推荐模型

CIKM’22「亚马逊」推荐系统中图神经网络的去偏邻域聚合

CMI:结合对比学习和多兴趣挖掘的微视频推荐

HCCF:超图携手对比学习

ICDE’21 阿里 | 具有球面优化的多方面推荐方法

ICDE’21「阿里」结合局部信息SCCF:探索用户邻域进行实时电商推荐

ICDE’21「京东」推荐系统:多行为融合的图神经网络GNMR

ICDE’22「华为」MISS:多兴趣自监督学习框架用于点击率预估

ICDE’22「字节」EMBSR:挖掘会话推荐中用户行为的【顺序关系】和【二元关系】

KDD 2022 搜广推论文合集

KDD‘21「阿里」多行为深度图网络预测代金券的转化率

KDD’18「airbnb」房屋动态定价经典方法

KDD’21 FaceBook | MixGCF:基于图的负采样方法

KDD’21「阿里」SEMI:结合视频域行为和商品域行为的序列多模态信息迁移网络

Kdd’21「华为」利用图卷积进行特征交互和兴趣挖掘

KDD’21「华为」数值型特征embedding方法

KDD’22 | 超图上也能学习因果效应?

KDD’22 | 基于显著性正则化的多任务学习

KDD’22 | 自监督超图Transformer构建推荐系统

KDD’22|CrossCBR:跨视图对比学习在捆绑推荐中的应用

KDD’22|序列推荐:多行为超图增强的Transformer

KDD’22「Salesforce」基于向量化的无偏排序学习

KDD’22「阿里」DESCN:端到端的X-Learner?

MLP4Rec:小小的MLP也有大能量

NIPS 2022 推荐系统,因果效应论文集锦

NIPS’21「微信」推荐系统:结合课程学习的多反馈表征解耦

NIPS’22「牛津+剑桥」利用迁移学习在异构空间中估计干预效果

RecSys’22|CARCA:交叉注意力感知上下文和属性进行推荐

SIGIR 2022 推荐系统相关论文整理分类

SIGIR’21 | 模式感知的序列推荐方法

SIGIR’21 快手 | 基于图神经网络的序列推荐,兴趣的挖掘与动态变化

SIGIR’21 微软|基于自监督图学习的召回方法

SIGIR’21 因果推断+推荐系统:利用反事实理论增强用户行为序列数据

SIGIR’21 因果推断+序列推荐:反事实数据促进鲁棒用户表征生成

SIGIR’21「华为」双塔模型中的CBNS负采样方法

SIGIR’21「腾讯」冷启动:元学习+FTRL+动态学习率=FORM模型

SIGIR’21「微软」| 推荐系统:强化学习过滤负样本噪声提升点击率

SIGIR’21「微信」利用元网络学习冷启动商品ID Embedding

SIGIR’21阿里」利用图神经网络和元学习促进冷启动商品embedding的学习

SIGIR’21短文「阿里」考虑用户信息交互的CTR预估模型

SIGIR’21推荐系统挖掘隐式交互,利用互信息进行图学习增强

SIGIR’22 | 推荐系统:图对比学习视图生成新思路

SIGIR’22 推荐系统:自引导隐式反馈去噪

SIGIR’22 序列推荐:对辅助信息解耦后再融合

SIGIR’22「amazon」CaFe:从粗粒度到细粒度的稀疏序列推荐

SIGIR’22「eBay」MP2:动量对比框架缓解推荐系统中的标注偏差

SIGIR’22「阿里」MetaCVR:元学习缓解小规模推荐中数据分布波动问题

SIGIR’22「谷歌」BISER:双边无偏学习对有偏隐式反馈进行纠偏

SIGIR’22「蚂蚁」CORE:会话推荐中会话表征和商品表征的一致性建模

SIGIR’22「平安」会话推荐:需求感知的图神经网络

SIGIR’22「腾讯」GMT:邻域感知的Masked Transformer进行点击率预测

SIGIR’22「腾讯」HIEN:用于点击率预估的分层意图embedding学习

SIGIR’22「微软」CTR估计:利用上下文信息促进特征表征学习

TKDE’22 | DGRN:用于序列推荐的动态图神经网络

TKDE’22「阿里」RecNS:考虑区域的负采样方法用于GNN推荐系统

WSDM 2022 搜广推论文集锦,附下载链接

WSDM 2023 推荐系统相关论文整理

WSDM’21「蚂蚁」CTR预估:多交互注意力网络

WSDM’22 | 利用反事实框架预测用户流失

WSDM’22 | 序列推荐:对比学习缓解表征退化问题

WSDM’22「Facebook」SVP-CF:采样方法哪家强?

WSDM’22「阿里」DIN家族新成员TGIN | 用于点击率预测的三角图兴趣网络

WSDM’22「阿里」广告:多场景多任务元学习

WSDM’22「百度」考虑行为多样性的对比元学习

WSDM’22「第四范式」一文剖析基于GNN的协同过滤方法

WSDM’22「谷歌」SA2C:用于推荐系统的监督优势 Actor-Critic

WSDM’22「谷歌」更快,更准,更可扩展:利用随机游走做会话推荐

WSDM’22「京东」个性化会话推荐:异构全局图神经网络

WSDM’22「微软」会话推荐:多粒度连续用户意图学习

WSDM’22「微软+美团」探索与利用EE:HCB在整个商品空间探索

WSDM’22「微信」在线推荐:图神经网络+元学习->长短期时序元学习

WSDM’23 | CL4CTR:用于CTR预测的对比学习框架

WSDM’23「腾讯」CAT-ART:多域跨域推荐学习用户表征

WWW’21 | 推荐系统:兴趣感知消息传递的GCN缓解过度平滑问题

WWW’21推荐系统:从异构的时间模式中学习用户偏好

WWW’22 | GDNS:基于增益的动态负采样方法用于推荐系统

WWW’22 | 推荐系统:基于邻域关系的对比学习改进图协同过滤

WWW’22 推荐系统 | MCL:混合中心损失用于协同过滤

WWW’22 推荐系统 | 利用用户兴趣边界构造混合损失函数

WWW’22 用户意图发掘:序列推荐中的意图对比学习

WWW’22「Meta」MetaBalance:动态调整辅助任务的梯度提升多任务推荐系统性能

WWW’22「Spotify」序列推荐:考虑不确定性的随机自注意力机制

WWW’22「阿里」DIHN:触发推荐中的点击率(CTR)预测深度兴趣网络

WWW’22「阿里」UKD:通过不确定性正则化知识蒸馏的去偏CVR估计

WWW’22「阿里」推荐系统 | STAM: 基于时空聚合方法的图神经网络

WWW’22「华为」CPR Loss:交叉成对排序损失对推荐系统纠偏

WWW’22「京东」使用变分推断学习冷启动embedding

WWW’22「快手」序列推荐:解耦长短期兴趣

WWW’22「微软」FeedRec:基于多反馈的新闻Feed推荐

「阿里」SCI:基于子空间学习的个体干预效果(ITE)估计方法

「微软」局部图协同过滤缓解数据稀疏问题

华为 | ReLoop:自纠正地训练推荐系统

西湖大学、中科院、谷歌:对等协同学习在推荐系统中的应用

协同过滤中考虑表征对齐和均匀性

序列推荐 | 利用超图对价格偏好和兴趣偏好共同建模

正反馈+负反馈还不够,还有【中性反馈】

一起看看今年IJCAI中的图对比学习

动手实现Bandit算法

动手实现DeepFM

动手实现wide and deep

动手实现推荐系统评价指标

UltraGCN代码解读

LightGCN模型部分代码解读

【代码】因果推断+推荐系统的DecRS代码阅读

推荐系统(三):推荐系统中常见多任务模型MMOE,ESMM,CGC,AITM

推荐系统(四)——因果效应uplift model系列模型S-Learner,T-Learner,X-Learner

推荐系统(五)——SIGIR’21用反事实推断缓解点击诱饵。还在为标题党烦躁吗?也许他能帮到你

推荐学习(六)——点击原因解耦:用户兴趣,item流行度

推荐系统(七)——SIGIR’21不要把流行度偏差一棍子“打死”

推荐系统(八)——推荐系统离散特征表征无embedding table

推荐系统(十)——RecSys’21「阿里」兴趣表征去噪,并提取用户长期兴趣

推荐系统(十一)——「华为」因果推断+信息瓶颈进行表征解耦纠偏

推荐系统(十二)「腾讯」推荐系统中one-hot一定好吗?它忽略了一些信息

推荐系统(十三)——「阿里」二手市场商品定价方法

推荐系统(十四)——kdd’19动态定价方法(APP-LM,APP-DES,DNN-CL)

推荐系统(十六)——FM全家桶(1),FM,FFM,DeepFM,NFM,AFM

推荐系统(十七)——kdd’17「谷歌」deep cross network(DCN)

推荐系统(十八)——「阿里」kdd’21DIN的亲戚,考虑item之间图结构关系的DIRN

推荐系统(二十一)DIN系列——DIN、DIEN、DSIN深度兴趣网络总结

推荐系统(二十二)——SIGIR’21「阿里」淘宝APP上的召回方法

推荐系统+因果推断(一)——KDD2021推荐系统中去除混淆缓解偏差方大

推荐系统+因果推断(二)——kdd’21用反事实推理召回阶段的数据流行度偏差

因果推断(一)

因果推断(二)——混杂因子,D-分离,后门准则

因果推断(三)——结构因果模型、干预、辛普森悖论

因果推断(四)——后门调整、前门调整、逆概率加权

因果推断(五)——反事实,后悔药?

【基础】Dropout和Batch Norm原理与使用

【基础】推荐系统常用评价指标Recall、NDCG、AUC、GAUC

基础知识篇(一)Pandas数据结构

基础知识(二)pandas 时间序列数据处理

推荐系统常用指标(续):MRR、MAP、HR、F-score

在线学习方法FTRL原理与实现

在线云平台计算资源总结与对比

当胶囊网络遇到序列推荐

多分辨率分析对曝光序列去噪

干货!建模过程中需要注意什么?

流行度偏差的影响因素及去偏方法

如何在跨域推荐中使用对比学习?

数据第一,算法第二

什么特征进行交互才是有效的?

特征工程需要干什么?

特征为桥梁 | 特征工程中你了解的和不了解的都在这了


小小挖掘机系列文章

总结100个Pandas中序列的实用函数

真正想做算法的,不要害怕内卷

这或许是我见过的最简单的正则表达式教程(一)

这或许是我见过的最简单的正则表达式教程(三)

这或许是我见过的最简单的正则表达式教程(二)

由问题入手,步步爬出Python中赋值与拷贝的坑

用Deep Recurrent Q Network解决部分观测问题!

新年预热!推荐系统遇上深度学习系列文章50篇打包下载!

想学习Spark?先带你了解一些基础的知识

详解TF中的Embedding操作!

线性代数的本质课程笔记-特征向量/特征值

线性代数的本质课程笔记-基变换

线性代数的本质课程笔记-抽象向量空间

线性代数的本质课程笔记(中)-点积和叉积

线性代数的本质-课程笔记(上)

线性代数的本质-课程笔记(上)

我在美团的这两年,想和你分享

我的推荐系统入门经验~(文末有福利)

万字长文详述对话推荐系统的逻辑与演化

万字长文梳理CTR预估模型发展过程与关系图谱

万字长文解读电商搜索——如何让你买得又快又好

万字长文带你了解推荐系统全貌

万字长文带你复习线性代数!

万字长文|线性代数的本质课程笔记完整合集!

万字长文:解析在线广告交易方式变迁

万字干货|逻辑回归最详尽解释

推荐系统走向下一阶段最重要的三个问题

推荐系统总结之深度召回模型(上)

推荐系统中稀疏特征Embedding的优化表示方法

推荐系统中模型自适应相关技术梳理总结

推荐系统中的召回

推荐系统中的排序学习

推荐系统中的对抗机器学习技术总结

推荐系统中不得不学的对比学习(Contrastive Learning)方法

推荐系统之数据与特征工程

推荐系统之FM与MF傻傻分不清楚

推荐系统遇上深度学习系列合集第二弹限时下载

推荐系统遇上深度学习(一一一)-双重样本感知的DIFM模型

推荐系统遇上深度学习(一一五)-[阿里]上下文感知的生成式重排网络

推荐系统遇上深度学习(一一五)-[阿里]上下文感知的生成式重排网络

推荐系统遇上深度学习(一一四)-[美团]深度位置交互网络

推荐系统遇上深度学习(一一四)-[美团]深度位置交互网络

推荐系统遇上深度学习(一一三)-[美团]序列依赖任务下的自适应信息传递多任务框架

推荐系统遇上深度学习(一一七)-[腾讯]结合蒸馏和多任务学习的召回模型

推荐系统遇上深度学习(一一七)-[腾讯]结合蒸馏和多任务学习的召回模型

推荐系统遇上深度学习(一一六)-[腾讯]用于多目标用户建模的MVKE模型

推荐系统遇上深度学习(一一六)-[腾讯]用于多目标用户建模的MVKE模型

推荐系统遇上深度学习(一一零)-样本感知的FM模型

推荐系统遇上深度学习(一一九)-[百度]结合门控机制的多任务学习模型GemNN

推荐系统遇上深度学习(一一九)-[百度]结合门控机制的多任务学习模型GemNN

推荐系统遇上深度学习(一一二)-[阿里]用户兴趣建模中的非序贯方法

推荐系统遇上深度学习(一一八)-[华为]一种CTR预估中连续特征的Embedding学习框架

推荐系统遇上深度学习(一一八)-[华为]一种CTR预估中连续特征的Embedding学习框架

推荐系统遇上深度学习(一四一)-[快手]移动端实时短视频推荐

推荐系统遇上深度学习(一四零)-[美团]基于“采样”的超长行为序列建模方法SDIM

推荐系统遇上深度学习(一四零)-[美团]基于“采样”的超长行为序列建模方法SDIM

推荐系统遇上深度学习(一四二)-[微软&复旦]CTR预估中的对比学习框架CL4CTR

推荐系统遇上深度学习(一三一)-[蚂蚁金服]信息流推荐中局部视野感知的重排序方法

推荐系统遇上深度学习(一三一)-[蚂蚁金服]信息流推荐中局部视野感知的重排序方法

推荐系统遇上深度学习(一三五)-序列推荐中的特征粒度深度自注意力网络

推荐系统遇上深度学习(一三四)-[阿里]对抗过滤建模用户长期行为序列

推荐系统遇上深度学习(一三四)-[阿里]对抗过滤建模用户长期行为序列

推荐系统遇上深度学习(一三三)-[京东]搜索广告点击率预估中的候选商品隐式感知建模

推荐系统遇上深度学习(一三三)-[京东]搜索广告点击率预估中的候选商品隐式感知建模

推荐系统遇上深度学习(一三七)-[阿里]广告精排和创意优选联合优化

推荐系统遇上深度学习(一三七)-[阿里]广告精排和创意优选联合优化

推荐系统遇上深度学习(一三六)-[美团]基于强化学习的信息流广告分配方法CrossDQN

推荐系统遇上深度学习(一三六)-[美团]基于强化学习的信息流广告分配方法CrossDQN

推荐系统遇上深度学习(一三零)-[阿里]电商搜索CTR预估中页面级反馈建模

推荐系统遇上深度学习(一三零)-[阿里]电商搜索CTR预估中页面级反馈建模

推荐系统遇上深度学习(一三九)-[阿里]商品属性变化感知的分层注意力演化网络CAEN

推荐系统遇上深度学习(一三二)-[阿里]点击率预估中的自适应参数生成网络

推荐系统遇上深度学习(一三八)-[阿里]广告点击率预估中的外部性建模

推荐系统遇上深度学习(一三八)-[阿里]广告点击率预估中的外部性建模

推荐系统遇上深度学习(一零一)-[阿里]时间感知的深度物品演化网络

推荐系统遇上深度学习(一零一)-[阿里]时间感知的深度物品演化网络

推荐系统遇上深度学习(一零五)-[腾讯]提升推荐多样性的推荐框架FAT

推荐系统遇上深度学习(一零四)-[阿里]CTR预估中细粒度特征学习的多交互注意力网络

推荐系统遇上深度学习(一零三)-[京东&百度]用于电商推荐系统多目标排序的DMT模型

推荐系统遇上深度学习(一零七)-[阿里]使用统一模型进行多域CTR预估

推荐系统遇上深度学习(一零六)-神经网络与逻辑推理相结合的NLR框架

推荐系统遇上深度学习(一零零)-[阿里]深度多兴趣网络DMIN

推荐系统遇上深度学习(一零九)-[阿里]排列视角下的重排序过程

推荐系统遇上深度学习(一零二)-[百度]展示广告中的样本优化

推荐系统遇上深度学习(一零八)-[阿里]基于强化学习的搜索广告排序策略优化

推荐系统遇上深度学习(一二一)-基于用户行为检索的点击率预估模型

推荐系统遇上深度学习(一二一)-基于用户行为检索的点击率预估模型

推荐系统遇上深度学习(一二五)-[阿里]CTR预估中的端到端用户行为检索

推荐系统遇上深度学习(一二五)-[阿里]CTR预估中的端到端用户行为检索

推荐系统遇上深度学习(一二四)-[美团]面向大规模推荐系统的双重增强双塔模型

推荐系统遇上深度学习(一二四)-[美团]面向大规模推荐系统的双重增强双塔模型

推荐系统遇上深度学习(一二三)-[阿里]去噪用户感知记忆网络DUMN

推荐系统遇上深度学习(一二三)-[阿里]去噪用户感知记忆网络DUMN

推荐系统遇上深度学习(一二七)-[谷歌]用于点击率预估消偏的交叉位置注意力机制

推荐系统遇上深度学习(一二七)-[谷歌]用于点击率预估消偏的交叉位置注意力机制

推荐系统遇上深度学习(一二六)-[华为]信息共享的并行化深度CTR模型

推荐系统遇上深度学习(一二零)-[微博]使用上下文信息来优化特征嵌入的CTR预估框架

推荐系统遇上深度学习(一二零)-[微博]使用上下文信息来优化特征嵌入的CTR预估框架

推荐系统遇上深度学习(一二九)-基于物品属性的用户关注列表序列推荐

推荐系统遇上深度学习(一二九)-基于物品属性的用户关注列表序列推荐

推荐系统遇上深度学习(一二二)-[阿里]通过孪生掩码层来高效的学习特征表示向量

推荐系统遇上深度学习(一二二)-[阿里]通过孪生掩码层来高效的学习特征表示向量

推荐系统遇上深度学习(一二八)-深度交叉注意力乘积网络DCAP

推荐系统遇上深度学习(一二八)-深度交叉注意力乘积网络DCAP

推荐系统遇上深度学习(一)–FM模型理论和实践

推荐系统遇上深度学习(五十)-使用强化学习优化用户的长期体验

推荐系统遇上深度学习(五)–Deep&Cross Network模型理论和实践

推荐系统遇上深度学习(四十一)-使用RNN做基于会话推荐的一些小trick

推荐系统遇上深度学习(四十五)-探秘阿里之深度会话兴趣网络DSIN

推荐系统遇上深度学习(四十四)-Airbnb实时搜索排序中的Embedding技巧

推荐系统遇上深度学习(四十三)-考虑用户微观行为的电商推荐

推荐系统遇上深度学习(四十七)-TEM:基于树模型构建可解释性推荐系统

推荐系统遇上深度学习(四十六)-阿里电商推荐中亿级商品的embedding策略

推荐系统遇上深度学习(四十九)-九篇阿里推荐相关论文汇总!

推荐系统遇上深度学习(四十二)-使用图神经网络做基于会话的推荐

推荐系统遇上深度学习(四十八)-BST:将Transformer用于淘宝电商推荐

推荐系统遇上深度学习(四十)-使用RNN做基于会话的推荐

推荐系统遇上深度学习(四)–多值离散特征的embedding解决方案

推荐系统遇上深度学习(十一)–神经协同过滤NCF原理及实战

推荐系统遇上深度学习(十五)–强化学习在京东推荐中的探索

推荐系统遇上深度学习(十四)–强化学习与推荐系统的强强联合!

推荐系统遇上深度学习(十三)–linUCB方法浅析及实现

推荐系统遇上深度学习(十七)–探秘阿里之MLR算法浅析及实现

推荐系统遇上深度学习(十六)–详解推荐系统中的常用评测指标

推荐系统遇上深度学习(十九)–探秘阿里之完整空间多任务模型ESSM

推荐系统遇上深度学习(十二)–推荐系统中的EE问题及基本Bandit算法

推荐系统遇上深度学习(十八)–探秘阿里之深度兴趣网络(DIN)浅析及实现

推荐系统遇上深度学习(十)–GBDT+LR融合方案实战

推荐系统遇上深度学习(三十一)–使用自注意力机制进行物品推荐

推荐系统遇上深度学习(三十五)–强化学习在京东推荐中的探索(二)

推荐系统遇上深度学习(三十四)–YouTube深度学习推荐系统

推荐系统遇上深度学习(三十三)–Neural Attentive Item Similarity Model

推荐系统遇上深度学习(三十七)–基于多任务学习的可解释性推荐系统

推荐系统遇上深度学习(三十七)–基于多任务学习的可解释性推荐系统

推荐系统遇上深度学习(三十六)-Learn and Transferr IDs Repre in E-commerce

推荐系统遇上深度学习(三十九)-推荐系统中召回策略演进!

推荐系统遇上深度学习(三十二)–《推荐系统实践》思维导图

推荐系统遇上深度学习(三十八)–CFGAN:一种基于GAN的协同过滤推荐框架

推荐系统遇上深度学习(三十)–深度矩阵分解模型理论及实践

推荐系统遇上深度学习(三)–DeepFM模型理论和实践

推荐系统遇上深度学习(七)–NFM模型理论和实践

推荐系统遇上深度学习(六)–PNN模型理论和实践

推荐系统遇上深度学习(九十一)-[阿里]跨域点击率预估混合兴趣模型MiNet

推荐系统遇上深度学习(九十五)-[雅虎]点击率预估中的软频率控制

推荐系统遇上深度学习(九十五)-[雅虎]点击率预估中的软频率控制

推荐系统遇上深度学习(九十四)-[华为]一种实用的增量式深度CTR模型训练方法

推荐系统遇上深度学习(九十四)-[华为]一种实用的增量式深度CTR模型训练方法

推荐系统遇上深度学习(九十三)-[谷歌]提升谷歌网盘推荐质量的工业经验

推荐系统遇上深度学习(九十三)-[谷歌]提升谷歌网盘推荐质量的工业经验

推荐系统遇上深度学习(九十七)-[阿里]使用用户未点击行为增强序列推荐效果

推荐系统遇上深度学习(九十六)-[第四范式]考虑域内信息和多模块非线性融合的NON模型

推荐系统遇上深度学习(九十六)-[第四范式]考虑域内信息和多模块非线性融合的NON模型

推荐系统遇上深度学习(九十九)-[华为]多教师网络知识蒸馏来提升点击率预估效果

推荐系统遇上深度学习(九十二)-[腾讯]RecSys2020最佳长论文-多任务学习模型PLE

推荐系统遇上深度学习(九十二)-[腾讯]RecSys2020最佳长论文-多任务学习模型PLE

推荐系统遇上深度学习(九十八)-[微信]推荐系统中更好地学习用户-标签偏好

推荐系统遇上深度学习(九十)-[阿里]计算成本感知的轻量级预排序系统COLD

推荐系统遇上深度学习(九)–评价指标AUC原理及实践

推荐系统遇上深度学习(二十一)–阶段性回顾

推荐系统遇上深度学习(二十五)–当知识图谱遇上个性化推荐

推荐系统遇上深度学习(二十四)–深度兴趣进化网络DIEN原理及实战!

推荐系统遇上深度学习(二十三)–大一统信息检索模型IRGAN在推荐领域的应用

推荐系统遇上深度学习(二十七)–知识图谱与推荐系统结合之RippleNet模型原理及实现

推荐系统遇上深度学习(二十七)–知识图谱与推荐系统结合之RippleNet模型原理及实现

推荐系统遇上深度学习(二十六)–知识图谱与推荐系统结合之DKN模型原理及实现

推荐系统遇上深度学习(二十九)–协同记忆网络理论及实践

推荐系统遇上深度学习(二十二)–DeepFM升级版XDeepFM模型强势来袭!

推荐系统遇上深度学习(二十八)–知识图谱与推荐系统结合之MKR模型原理及实现

推荐系统遇上深度学习(二十)–贝叶斯个性化排序(BPR)算法原理及实战

推荐系统遇上深度学习(二)–FFM模型理论和实践

推荐系统遇上深度学习(八十五)-[阿里]长用户行为序列建模探索:MIMN

推荐系统遇上深度学习(八十五)-[阿里]长用户行为序列建模探索:MIMN

推荐系统遇上深度学习(八十四)-[阿里]抽取用户多维度兴趣的DHAN网络介绍

推荐系统遇上深度学习(八十三)-[阿里]记忆增强网络—MA-DNN模型介绍

推荐系统遇上深度学习(八十七)-[阿里]基于搜索的用户终身行为序列建模

推荐系统遇上深度学习(八十六)-[腾讯&微博]GateNet:使用门机制提升点击率预估效果

推荐系统遇上深度学习(八十九)-推荐系统中的反馈循环

推荐系统遇上深度学习(八十八)-[微信]充分利用显式&隐式反馈的深度反馈网络

推荐系统遇上深度学习(八)–AFM模型理论和实践

推荐系统与精细化运营

推荐系统研究中常用的评价指标

推荐系统提供web服务的2种方式

推荐系统数据集大列表

推荐系统实用分析技巧

推荐系统评价:什么是好的推荐系统

推荐系统论文回顾:神经协同过滤理解与实现

推荐系统领域中那些巧妙运用的idea

推荐系统解构

推荐系统架构治理

推荐系统衡量:ABtest 框架

推荐系统核心技术在互联网场景下的最新探索!

推荐系统的未来发展

推荐系统的人工调控

推荐系统的价值观

推荐系统的发展与简单回顾

推荐系统产品与算法概述

推荐系统rerank模型梳理&论文推荐

推荐系统:石器与青铜时代

推荐系统 | 一文带你了解协同过滤的前世今生

推荐算法的三大研究热点(文末留言赠书)

推荐生态中的bias和debias

推荐三款机器学习论文搜索利器

推荐模型是怎样由窄变宽、越变越深的?

推荐技术随谈

特征工程系列:特征预处理(下)

特征工程系列:特征筛选的原理与实现(下)

特征工程系列:特征筛选的原理与实现(上)

特征工程|时间特征构造以及时间序列特征构造

特征工程|连续特征的常见处理方式(含实例)

特征工程|空间特征构造以及文本特征构造

谈谈怎样提高炼丹手速

谈谈神经网络的大规模训练优化

算法人必懂的Hive知识-四道Hive面试&笔试题解析

数据分析EPHS(9)-Excel实现一行转多行

数据分析EPHS(16)-Hive如何实现数据透视表功能?

数据分析EPHS(11)-详解Hive中的排序函数

数据分析EPHS(10)-Hive中的explode使用全解

使用uplift模型来得到更好的个性化营销结果(2)

使用uplift模型来得到更好的个性化营销结果(1)

使用Tensorflow实现数组的部分替换

使用Tensorflow实现简单的RNN

使用Tensorflow的DataSet和Iterator读取数据!

使用Seq2Seq+attention实现简单的Chatbot

使用Hive SQL计算数列统计值

使用Excel、Python、Hive和Spark处理JSON数据

深度学习中的优化算法串讲

深度学习中的双下降现象

深度学习下的点击率预测:交互与建模

深度学习推荐系统中各类流行的Embedding方法(下)

深度学习推荐系统中各类流行的Embedding方法(上)

深度学习技术在社会化推荐场景中的总结

如何使用tensorflow做张量排序和字符串拼接?

全网最全Hive近百个函数详解

全链路总结!推荐算法召回-粗排-精排

盘一盘NumPy (下)

盘一盘 Python 系列特别篇 - 正则表达式

盘一盘 Python 系列特别篇 - 错误类型

盘一盘 Python 系列特别篇 - Jupyter Notebook

盘一盘 Python 系列特别篇 - Collection

盘一盘 Python 系列 10 - Cufflinks

盘一盘 Python 系列  - Keras (上)

盘一盘 Python -Pivot Table

盘一盘 Python  - PyEcharts (v1.0)

盘一盘 Pandas (下)

盘一盘 Pandas (上)

盘一盘 NumPy (上)

年货系列2-【原创】其他原创汇总

年货系列2-【原创】其他原创汇总

年货系列1-【原创】推荐系统遇上深度学习系列

年货系列1-【原创】推荐系统遇上深度学习系列

模型调优没效果? 不妨试试Batch Normalization!

六六大顺,说点近期感悟和短期计划!

利用虚拟机练手Scrapy分布式爬虫!

来学习几个简单的Hive函数啦

举一反三-Pandas实现Hive中的窗口函数

解决Spark数据倾斜(Data Skew)的N种姿势

解读一篇Numpy好文

计算广告系列(一)-基本概念整理!

计算广告系列(五)-《计算广告》第二版思维导图6-10章

计算广告系列(四)-《计算广告》第二版思维导图1-5章

计算广告系列(三)-通过单品拍卖的例子通俗理解机制设计

计算广告系列(六)-《计算广告》第二版思维导图11-16章

计算广告系列(二)-常见广告形式介绍!

基于web端和C++的两种深度学习模型部署方式

基于Spark的大规模推荐系统特征工程

好文分享|一文带你搞清楚什么是“数据倾斜”

关于电商推荐系统的一点小思考~

关于Python语言规范你需要知道的一些小tips

公众号历史文章总结

电商指标详细介绍和推荐系统常用评估指标

电商知识图谱

从小白到入门算法,我的经验分享给你~

常见CTR论文挑刺

部署基于嵌入的机器学习模型的通用模式,以推荐和搜索为例

XGBoost缺失值引发的问题及其深度分析

XGBoost超详细推导,终于有人讲明白了!

Tensorflow基础入门十大操作总结

TensorFlow 和 NumPy 的 Broadcasting 机制探秘

TensorFlow Estimator 模型从训练到部署

Spark作业基本运行原理解析!

Spark中如何使用矩阵运算间接实现i2i

Spark学习记录|RDD分区的那些事

Spark如何处理Hive的集合类型?

RS Meet DL(六十一)-[阿里]使用Bert来进行序列推荐

RS Meet DL(82)-[阿里]可视化分析点击率预估模型

RS Meet DL(82)-[阿里]可视化分析点击率预估模型

RS Meet DL(81)-[阿里]DMR:Matching和Ranking相结合的点击率预估模型

RS Meet DL(80)-在评分预测中建模“同化-对比”效应

RS Meet DL(79)-序列推荐中使用长尾商品提升推荐多样性

RS Meet DL(78)-CFM:结合3D卷积的FM模型

RS Meet DL(77)-Field-weighted Factorization Machines(FwFM)

RS Meet DL(76)-CVR预估中的延迟反馈问题建模

RS Meet DL(75)-考虑CPM的评估方法csAUC

RS Meet DL(74)-[天猫]MIND:多兴趣向量召回

RS Meet DL(73)-[微软]通过对抗训练消除位置偏置信息

RS Meet DL(72)-[谷歌]采样修正的双塔模型

RS Meet DL(71)-[华为]一种消除CTR预估中位置偏置的框架

RS Meet DL(70)-[阿里]推荐中的个性化重排序

RS Meet DL(69)-youtube视频推荐中的多任务排序模型

RS Meet DL(68)-建模多任务学习中任务相关性的模型MMoE

RS Meet DL(68)-建模多任务学习中任务相关性的模型MMoE

RS Meet DL(67)-计算广告中的COEC简介

RS Meet DL(66)-[阿里]基于多任务学习的CVR预估模型ESM2

RS Meet DL(65)-负采样点击率修正的那些事

RS Meet DL(64)-通过自注意力机制来自动学习特征组合

RS Meet DL(64)-通过自注意力机制来自动学习特征组合

RS Meet DL(63)-[阿里]大型推荐系统中的深度序列匹配模型SDM

RS Meet DL(62)-[阿里]电商推荐中的特殊特征蒸馏

RS Meet DL(60)-FM家族的新朋友之TransFM

RS Meet DL(59)-FM家族的新朋友FAT-DeepFFM

RS Meet DL(58)-基于“翻译”的序列推荐方法

RS Meet DL(57)-[阿里]如何精确推荐一屏物品?

RS Meet DL(56)-[阿里]融合表示学习的点击率预估模型DeepMCP

RS Meet DL(55)-[阿里]考虑时空域影响的点击率预估模型DSTN

RS Meet DL(54)-使用GAN搭建强化学习仿真环境

RS Meet DL(53)-DUPN:通过多任务学习用户的通用表示

RS Meet DL(52)-基于注意力机制的用户行为建模框架ATRank

RS Meet DL(51)-谈谈推荐系统中的冷启动

PySpark之RDD入门最全攻略!

Pandas中文官档~基础用法2

Pandas中文官档 ~ 基础用法1

Pandas常用的数据处理方法

Pandas常见的性能优化方法

Pandas-层次化索引

Pandas-Series知识点总结

Pandas-DataFrame基础知识点总结

pandas_profiling:一行代码生成你的数据分析报告

Pandas 概览

Pandas 4 个小 trick,都很实用!

numpy中的hstack()、vstack()、stack()、concatenate()函数详解

Numpy基础知识点汇总

ItemCF的演进:狭义 VS 广义

Hive中使用over()实现累积求和和滑动求和

Hive中group by还能这样玩?

Hive数据类型详解!

Hadoop基础知识总结

Facebook深度个性化推荐系统经验总结(阿里内部分享PPT))

Excel&Python&Hive&SparkSQL环境搭建攻略!

All in Linux:一个算法工程师的IDE断奶之路

ABTest流量分发和业界的一些做法经验

《深度学习推荐系统》-阅读笔记

《计算广告》第二版思维导图(附下载链接)