yifu0121

运营团队根据规则对这些流量进行分发，以分发到外部，也就是合作的广告主（腾讯、网易等）为例。广告主对这些流量进行选择是否竞价以及竞价多少，然后回传给我们素材，我们再对多个同一个流量的多个竞价公司进行对比（同一个流量可能同时分发给多个广告主），然后选择其中之一返回给“媒体方”（媒体方那边也不止一个dsp第三方广告平台，会有多个平台来共同参与）去参与竞价，最后是否再进行展示（可能还会有自有广告流量，那就是自有广告+第三方广告的联合竞价）

总述：阿里巴巴拥有世界上数一数二的电子商务系统，每天的成交额高达数十亿，那么这样一个大规模的商务网站肯定要做好一件事情，那就是用户搜索的时候给用户最好的搜索结果，用户不搜索的时候结合用户的兴趣给用户最感兴趣的商品，那么他们到底用的是什么办法，这个可以从他们最新最出名的一篇这方面的文章得到，那就是“深度学习兴趣网络”！本文先从论文翻译入手，后续还会给出源码理解、以及博主的实践理解题目：......

总述：博主前些天对DIN网络进行了论文翻译，在翻译后，又对源码进行了研究，最后将DIN网络的重点进行了归纳，可以总结出这样几个关键点来1：DIN中的attention方法：利用本地激活层，用于自适应学习用户的历史兴趣和当前要预估的item的权重2：评价指标：gauc3：Dice激活函数：数据自使用激活函数，类似于prelu4：自适应正则：改变了以往l2正则需要耗费大量计算资源的现状......

总述：这篇文章是先从论文翻译入手，讲解下 YoutuBe 里面是如何利用深度学习做搜索推荐的。YoutuBe 的这篇文章基本上是深度学习做搜索推荐的一篇“鼻祖”文章，在那年提出来这个之后，有很多公司都在这个基础上去试验新的办法（比如阿里的DIN，就是以这个为 baseline 作为效果对照标准），或者直接采纳为公司里面的线上模型方法。本文先从论文翻译入手，后续还会给出源码理解、以及博主的实践理......

总述：facebook 在技术行业上一直和谷歌这些公司一样，处于一个领头羊的地位，在 facebook 的业务当中，搜索推荐算法一直是一个比较重要的板块，在今年他们提出来一个新的算法，就是在“深度方法”的基础上，再加上这个行业刚兴起时候的“协同过滤”！本文先从论文翻译入手，后续还会给出源码理解、以及博主的实践理解原文地址链接：https://arxiv.org/pdf/1906.0009......

原文链接：https://arxiv.org/pdf/1812.02353.pdf摘要：工业推荐器系统处理非常大的动作空间–数以百万计的项目需要被推荐。而且，他们需要为数十亿用户提供服务，这些用户在任何时间都是不一样的情况，使用户状态空间变得非常复杂。幸运的是，数量巨大已记录的隐式反馈（例如，用户点击次数，停留时间）可供我们训练模型来学习。但是从记录的反馈中学习可能会因为数据的原因学习到一......

论文题目：多个item一起进行推荐的深度强化学习方法摘要：推荐系统通过给用户推荐个性化商品，在缓解信息超载或服务这些问题方面起着至关重要的作用。绝大多数传统推荐系统将推荐算法视为静态过程，并且根据固定策略提出建议。在本文中，我们提出一种新颖的推荐系统，该系统具有在与用户互动期间不断改进其策略的能力。我们将用户和推荐系统之间的顺序交互建模为马尔可夫决策过程（MDP），并且用强化学习（RL），......

这篇文章会从以下四个方面对“强化学习开发黑白棋、五子棋游戏”进行分析一、总述二、黑白棋游戏思路三、五子棋游戏思路四、分布式训练-------------------------------------------------------------------------------------------------------------------------------......

一、DIN网络2018年7月19日，提出attention结构用在用户序列特征上，这种attention不是self-attention，而是预估item用来当做query，用户序列中的每个item作为key value阿里兴趣网络DIN网络中几个关键的点(三)_1066196847的博客-CSDN博客_din网络二、DIEN网络 2018年相对于DIN网络有这样改进点，DIN网络只做了用户序列attention这件事，DIEN首先加了一个loss，用gru计算点击序列（长度为T）的T个输.

一、难点一右侧的公式是从底往上看两个mean-pooling很简单，假设形成64维的向量 Ec1 Ei1，相乘得到Ef1，也是64维向量，这里的vanilla-attention（推荐搜索的冷启动问题_1066196847的博客-CSDN博客）vanilla-attention的重点是，Query由decoder输出，也就相当于这里的Ef1，K V由encoder输入，从Ec2 Ei2公式中看都是C或者都是I，用C来举例，那么就都是content sequence的每个item，先和

论文名称：Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning论文地址：https://arxiv.org/pdf/1802.06501.pdf其他讲解论文的文章：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) - 程序员大本营基于强化学习的推荐系统有两个优点。1：首先，在和用户交互期间，他们不断更新他们的试错策略，直到系统收敛到最优策略，生成最适合用户动态偏好的推荐

论文地址：https://arxiv.org/pdf/1809.03672.pdf基于所有这些观察，我们提出了深度兴趣进化网络（DIEN）来提高点击率。 DIEN中有两个关键模块，一种是从历史行为中提取潜在的短暂兴趣，另一个用于建模兴趣变化形态。适当的兴趣表示是兴趣演化模型的基石。在兴趣提取层，DIEN 选择 GRU (Chung et al. 2014) 来模拟行为之间的依赖关系。遵循兴趣直接导致连续行为的原则，我们提出辅助损失，它使用下一个行为来监督学习当前隐藏状态。我们称这些隐藏状态作为利益状态的

一、来自2021召回技术在内容推荐的实践总结-阿里云开发者社区MIND里面主要是对用户序列通过胶囊网络提取出多兴趣（多个user_embedding），然后每个user_embedding都可以召回topN个item，和这里说到的“通过兴趣之间的相似”，貌似没有什么关系二、来自阿里，长序列建模三、来自阿里的dien......