Skip to content

Latest commit

 

History

History
870 lines (443 loc) · 49.5 KB

搜广推算法系列串讲.md

File metadata and controls

870 lines (443 loc) · 49.5 KB

说明

此文档主要收集搜广推算法系列串讲文章 && 搜广推算法知识经典问答(不保证最新)

本文仅做资源收集,未引用具体内容,如有侵权,请联系删除。

由于内容过多,点击README.md左侧按钮可以查看详细目录

目录

电商搜索系列

电商搜索:必读前言

电商商品理解:基础概念

电商搜索QP:Query类目预测

电商搜索QP:Query改写

电商搜索QP:Term Weighting

电商搜索QP:中文分词

电商搜索QP:Tagging

电商搜索QP:纠错

电商搜索QP:总结

电商搜索:相关性匹配

电商搜索排序:总述

电商搜索排序:召回

电商搜索排序:向量召回(上)

电商搜索排序:向量召回(下)

电商搜索排序-番外:特征工程

搜索排序-番外:简话模型演进(传统方法)

电商搜索排序:粗排

电商搜索排序:精排

电商搜索排序:重排

电商搜索:Query推荐

电商搜索工程:工程架构篇

电商搜索工程:Rank

电商搜索全链路(一):Overview

电商搜索全链路(PART II)Query理解

聊聊电商搜索的语义理解问题

垂直电商搜索纠错

电商搜索query-database

浅谈电商类目预测

关于搜索中改写的若干讨论

关于搜索中意图识别的若干讨论

关于搜索中类目预测的若干讨论

旺知识业界趋势

旺知识: 2022年推荐系统云服务对比调研与展望-阿里,字节,华为,腾讯,Amazon,Azure

旺访谈:搜索科研新人宝典-窦志成教授-人大高瓴人工智能学院副院长

旺知识:2022业界广告推荐技术最新进展与趋势-阿里、腾讯、字节、微软

策略算法工程师之路

策略算法工程师之路-目录(暂定)

策略框架总结

第七章-策略框架总结(删减版)

策略算法工程师之路-书写美丽代码(拥抱变化)

策略算法工程师之路-分布式算法设计(超大规模稀疏矩阵乘法)

策略算法工程师之路-常见模型演进路径(部分)

策略算法工程师之路-策略思维(部分)

策略算法工程师之路-推荐召回策略

策略算法工程师之路-召回策略(搜索部分)

策略算法工程师之路-排序模型(LTR)及应用

策略算法工程师之路-基于Yarn的分布式参数服务器设计

策略算法工程师之路-数据集构造

策略算法工程师之路-Query纠错算法

策略算法工程师之路-推荐系统中的多样性策略

策略算法工程师之路-因果分析.科学实验评估

策略算法工程师之路-回归问题分析与建模(一)

从0搭建推荐系统

从零搭建推荐系统——框架篇

从零搭建推荐系统——数据篇

从零搭建推荐系统——引擎篇

从零搭建推荐系统——算法篇

推荐基础

推荐基础-特征工程

推荐基础-样本处理

推荐基础-冷启动

推荐基础-多目标排序

如何在工业界优化点击率预估

如何在工业界优化点击率预估:(一)开篇

如何在工业界优化点击率预估:(二)样本

如何在工业界优化点击率预估:(三)特征

如何在工业界优化点击率预估:(四)兴趣|序列建模

如何在工业界优化点击率预估:(五)特征交叉建模

如何在工业界优化点击率预估:(六)多场景建模

如何在工业界优化点击率预估:(七)图建模和预训练

如何在工业界优化点击率预估:(八)Debias&Loss&校准

如何在工业界优化点击率预估:(九)集成学习&模型压缩

推荐系统从零单排系列

推荐系统从零单排系列(一)--DNN for YouTube Recommendations

推荐系统从零单排系列(二)--Item-Based协同过滤算法

推荐系统从零单排系列(三)--再谈亚马逊Item-based推荐系统

推荐系统从零单排系列(四)—Word2Vec理论与实践(上)

推荐系统从零单排系列(五)—Word2Vec理论与实践(下)

推荐系统从零单排系列(六)—Word2Vec优化策略层次Softmax与负采样

推荐系统从零单排系列(七)--Airbnb实时个性化推荐之Embedding真的好用吗?

广告预估

广告预估:负反馈目标建模

广告预估:单目标到多目标,单场景到多场景

广告推荐业务提效-好数据

广告点击率预估模型-百花齐放的DNN变体

广告点击率预估模型-多层感知机(MLP)

广告点击率预估模型-因子分解机(FM)

广告点击率预估模型-逻辑回归(LR)

推荐系统架构与工程

推荐系统(1): 推荐系统架构

推荐系统(2):详解曝光去重实践

推荐系统(3):倒排索引在召回中的应用

推荐系统(4):万字长文深入浅出向量检索技术

推荐系统(5):粗排工程实践与思考

推荐系统(6): 特征平台实践与思考

推荐系统(7):特征在线服务设计

推荐系统(8):如何构建序列特征服务

推荐系统(9):特征工程实践与方案总结

推荐系统(10):样本拼接工程实践

推荐系统论文笔记

推荐系统(一)DIN论文学习笔记

推荐系统(二)FM算法学习笔记

推荐系统(三)DIEN算法学习笔记

推荐系统(四)谷歌双塔召回模型学习笔记

推荐系统(五)DCN学习笔记

推荐系统(六)MIND算法学习笔记

推荐系统(七)京东DRM论文学习笔记

推荐系统(八)腾讯多任务学习模型PLE

推荐系统(九)阿里BST模型简析

推荐系统(十)Google Wide&Deep模型学习笔记

推荐系统(十一)阿里EGES算法学习笔记

推荐系统(十二)微信DFN模型学习笔记

推荐系统(十三)阿里重排序算法:Personalized Re-ranking for Recommendation

推荐系统(十四)DSIN学习笔记

推荐系统(十五)蚂蚁SRGA学习笔记

推荐系统(十六)GraphSAGE算法原理小结

推荐系统(十七)阿里SIM算法

推荐系统(十八)阿里ETA算法

推荐系统(十九)京东DMT模型小结

推荐系统(二十)阿里DMR模型小结

电商搜索如何让你买的又快又好

电商搜索如何让你买得又快又好「概述」(一)

电商搜索如何让你买得又快又好「搜索前」(二)

电商搜索如何让你买得又快又好「搜索中」(三)

电商搜索如何让你买得又快又好「搜索后」(四)

电商搜索如何让你买得又快又好「整流程」(五)

推荐算法工程师成长路径

推荐算法工程师成长路径0——工程基础

推荐算法工程师成长路径1——FM召回

推荐算法工程师成长2——排序模块

推荐算法工程师成长3—样本与模型训练

推荐系统的发展

【五.推荐青铜时代-3】召回模块概述

【五.推荐青铜时代-1】关联与个性化

【五.推荐青铜时代-2】冲突与协调

【四.推荐石器时代-2】马太效应及相关这一时期策略

【四.推荐石器时代-1】前推荐时代

【三.推荐系统的必备要素-2】ABtest框架

【三.推荐系统的必备要素-1】数据

【二.推荐系统评价】什么是好的推荐系统

【一.概述-1】推荐系统简介

【零.前言】

经典推荐算法学习

经典推荐算法学习(一) | 从协同过滤CF到逻辑回归LR与因子分解机FM | 附FM python实现

经典推荐算法学习(二)| FFM模型的原理与Python实现

经典推荐算法学习(三) | GBDT+LR模型原理解析

经典推荐算法学习(四)| 阿里LS-PLM(MLR)模型原理解析

经典推荐算法学习(五)| 前深度学习时代 推荐模型演化路径梳理

经典推荐算法学习(六)| Embedding技术理解及在推荐场景的应用举例(附Item2Vec PySpark实现)

经典推荐算法学习(七)| Graph Embedding技术学习 | 从DeepWalk到Node2vec、EGES | 附DeepWalk PySpark实现

经典推荐算法学习(八)| 主流深度推荐模型演化(上)|从Deep Crossing到Wide&Deep、DeepFM | 附模型TensorFlow代码实现

经典推荐算法学习(九)| 主流深度推荐模型演化(下)| 从DIN、DIEN到 MIMN、SIM | 附DIN、DIEN TensorFlow代码实现

经典推荐算法学习(十)| Youtube DNN serving目标解析 | 从odds到Logit 、Logistic Regression

经典推荐算法学习(十一)| 推荐系统架构浅谈

经典推荐算法学习(十二)| 鱼和熊掌何以兼得?漫谈多目标学习在推荐系统中的妙用

经典推荐算法学习(十三)| 常见推荐召回算法梳理

搜索推荐系统实战

搜索推荐系统实战:起始篇

搜索推荐系统实战:进化篇

搜索推荐系统实战:终极奥秘

推荐系统CTR预估学习路径

推荐系统CTR预估学习路线:从LR到FM/FFM探索二阶特征的高效实现

推荐系统CTR预估学习路线:利用树模型自动化特征工程

推荐系统CTR预估学习路线:深度模型

推荐系统CTR预估学习路线:引入注意力机制

绝密伏击总结

【总结】推荐系统——精排篇【3】DIN/DIEN/BST/DSIN/MIMN/SIM/CAN

【总结】推荐系统——精排篇【2】WDL/DCN/DCN-v2

【总结】推荐系统——精排篇【1】FM/FFM/GBDT+LR/MLR

【总结】推荐系统——召回篇【4】

【总结】推荐系统——召回篇【3】

【总结】推荐系统——召回篇【2】

【总结】推荐系统——召回篇【1】

推荐系统论文精读

[论文精读]01—KDD2018Best Paper : Real-time Personalization using Embeddings for Search Ranking at Airbnb

[论文精读]02—KDD2020:Embedding-based Retrieval in Facebook Search

[论文精读]03—MMoE :多任务建模之模型篇

[论文精读]04—MMoE :多任务建模之应用篇

[论文精读]05—DIN (Deep Interest Network) :当Attention 遇到推荐系统

[论文精读]06—DIEN (Deep Interest Evolution Network) :GRU与DIN的强强组合

[论文精读]07—BST:Transformer在推荐领域的应用

[论文精读]08—DSIN:阿里DI系宇宙的第三章

[论文精读]09—BERT4Rec:NLP王者Bert在推荐领域的应用

[论文精读]10—PinnerSage:User Embedding的生成奥义

[论文精读]11—阿里个性化重排探索方法

[论文精读]12—Airbnb搜索排序:从模型驱动到数据驱动的转变

[论文精读]13—召回模型(一) MIND网络:Capsules网络启发下的用户多兴趣向量表达

[论文精读]14—召回模型(二) SDM网络:长短期兴趣的提取与融合

[论文精读]15—召回模型(三) RALM:Attention机制下的实时Look-alike算法在微信看一看中的应用

[论文精读]16—CVR预估(上):多任务全样本空间下的极简ESMM模型

[论文精读]17—CVR预估(下):ESSM的ProMax版——点击后行为分解ESM²模型

[论文精读]18—PLE模型:RecSys2020 Best Paper 腾讯视频多任务个性化推荐

[论文精读]19—美团AITM:金融场景下的顺序依赖性多任务问题解决框架

[论文精读]20—百度MOBIUS:搜索广告系统下的召回层优化

[论文精读]21—阿里PDN:淘宝召回范式的革新之作

深入理解推荐系统

深入理解YouTube推荐系统算法

深入理解推荐系统:召回

深入理解推荐系统:排序

深入理解推荐系统:Fairness、Bias和Debias

深入理解推荐系统:推荐系统中的attention机制

深入理解推荐系统:特征交叉组合模型演化简史

深入理解推荐系统:超长用户行为序列建模

深入理解推荐系统:DIN 深度兴趣网络

深入理解推荐系统:十大序列化推荐算法梳理

深入理解推荐系统:微软xDeepFM原理与实践

深入理解推荐系统:大厂如何进行CTR增量训练

深入理解推荐系统:阿里DIN原理与实践

深入理解推荐系统:CTR平滑问题

深入理解推荐系统:如何多种业务场景合并建模

推荐系统的各种类型

《推荐系统》系列之一:一文读懂推荐系统

《推荐系统》系列之二:学习预热冷启动物品ID embedding的方法用于冷启动推荐

《推荐系统》系列之三:一文读懂冷启动推荐

《推荐系统》系列之四:看一看基于元学习的内容定向推广

《推荐系统》系列之五:序列推荐

《推荐系统》系列之六:多任务推荐

《推荐系统》系列之七:一文梳理推荐广告特征交互模型进展

《推荐系统》系列之八:跨领域推荐

《推荐系统》系列之九:跨领域推荐中的个性化迁移用户兴趣偏好

《推荐系统》系列之十:个性化帕累托最优多目标推荐

《推荐系统》系列之十一:以用户为中心的对话推荐系统

《推荐系统》系列之十二:基于prompt的用户自选公平推荐

推荐系统与深度学习论文笔记

推荐系统与深度学习(1): [第四范式 2020]NON:听说你们模型结构效果好,那就选择几个组合吧

推荐系统与深度学习(2):[阿里][CIKM 2020] 跨域混合兴趣模型MiNet

推荐系统与深度学习(3):[WWW'18]认识一下带权重的FFM模型——FwFM

推荐系统与深度学习(4):[SINA 2019] SENet从CV到CTR=>FAT-DeepFFM

推荐系统与深度学习(5):能不能统一下CTR论文的评估标准呢?

推荐系统与深度学习(6):[华为 2019]FGCNN: 基于卷积神经网络的CTR特征生成方法

推荐系统与深度学习(7): [Yahoo] FMFM模型: FM|FwFM|FvFM的统一框架

推荐系统与深度学习(8): [Adobe] FEFM和DeepFEFM模型

推荐系统与深度学习(9): [IJCAI'19] IFM: 输入感知的FM模型

推荐系统与深度学习(10): [IJCAI'20] DIFM: 双重IFM模型

推荐系统与深度学习(11): 用于CTR预测的门控增强深度网络

推荐系统与深度学习(12): [京东 CIKM'20 short] CTR预估中的维度关联建模

推荐系统与深度学习(13): [华为 CIKM'21] EDCN: 基于信息共享的并行深度CTR模型

推荐系统与深度学习(14)[腾讯 SIGIR'20] TFNet: 多语义空间特征交互模型

推荐系统与深度学习(15)[阿里 WSDM'21] MIAN: 引入细粒度特征学习的多交互注意力网络

推荐系统与深度学习(16)[iQIYI CIKM'21 short] FINT: 域感知交互(Field-aware Interaction)网络

推荐系统与深度学习(17)[CIKM'21]DCAP: 深度交叉注意力乘积网络

推荐系统与深度学习(18)[CIKM'20 华为] 通过知识蒸馏来提升CTR模型的效果

推荐系统与深度学习(19)[SIGIR'21 清华] AutoPI:自动发现特征交互的通用方法

推荐系统与深度学习(20)[ICDE'22 北大] CL4SRec:基于对比学习的序列推荐

推荐系统与深度学习(21)[SIGIR'22 复旦]FRNet: 上下文感知的特征强化模块

推荐系统与深度学习(22)将网络结构搜索应用于点击率预测(CTR)模型的研究汇总分析

推荐系统技术演进趋势

推荐系统技术演进趋势:召回篇

推荐系统技术演进趋势:排序篇

推荐系统技术演进趋势:重排篇

搜索排序系列

腾讯云智能钛机器学习平台:【技术分享】一:搜索排序—概述

腾讯云智能钛机器学习平台:【技术分享】二:搜索排序—工业流程

腾讯云智能钛机器学习平台:【技术分享】三:搜索排序—机器学习化建模

腾讯云智能钛机器学习平台:【技术分享】四:搜索排序—数据的采集与构造

腾讯云智能钛机器学习平台:【技术分享】五:搜索排序-特征分析

腾讯云智能钛机器学习平台:【技术分享】六:搜索排序—指标介绍与选择

腾讯云智能钛机器学习平台:【技术分享】七:搜索排序—排序模型

搜广推相关问答-算法工程师成长类问答

一个合格的搜索算法工程师应该具备哪些能力?

一个合格的搜索算法工程师应该具备哪些能力?

一个合格的搜索算法工程师应该具备哪些能力?

做风控工作的体验是怎样的?

你在字节跳动做什么工作,感受如何?

一个算法工程师的日常是怎样的?

一个算法工程师的日常是怎样的?

作为一名算法工程师,每天日常工作是什么样的?

算法工程师的核心竞争力是什么?

广告算法工程师的核心竞争力是什么?

算法工程师的核心竞争力是什么?

想要从事算法工程师,要掌握什么?

算法工程师与程序员的区别是什么?

长远看算法岗真的比开发岗香吗?

业务型算法岗与中台算法岗应该如何选择?

广告算法和推荐算法哪个更好?推荐转行广告是否可行?

推荐算法岗是否存在严重人才过剩?

推荐算法岗是否存在严重人才过剩?

算法工程师应该如何制定OKR?

算法岗(推荐/CV/NLP)的绩效怎么算?

为什么有些算法工程师从来不谈业务,不谈解决问题,不谈价值挖掘,开口闭口就是算法模型,炼丹调参工程化?

算法工程师没有业务需求的时候压力很大怎么办?

在大厂裁员浪潮下,算法工程师是否会因为没做出什么成果而更容易被裁?

算法工程师,一个业务做了一段时间之后,指标很难再有比较大的提升,这个时候要怎么办?

算法工程师如何应对做算法策略的不确定性;比如没效果,这时绩效怎么保证?

算法工程师如何应对做算法策略的不确定性;比如没效果,这时绩效怎么保证?

算法工程师如何应对做算法策略的不确定性;比如没效果,这时绩效怎么保证?

算法工程师如何应对做算法策略的不确定性;比如没效果,这时绩效怎么保证?

搜广推相关问答-搜广推经验类问答

目前工业界常用的推荐系统模型有哪些?

目前工业界常用的推荐系统模型有哪些?

目前工业界常用的推荐系统模型有哪些?

推荐系统目前还有哪些瓶颈问题?

推荐系统入门要点哪些技能树?

想学习推荐系统,如何从小白成为高手?

想成为一名推荐算法工程师,有什么学习路线和规划?

推荐系统有哪些比较好的论文?

推荐系统或信息发现领域,有哪些经典的论文?

推荐系统方面有哪些入门学习书籍?

「深度学习推荐系统」这本书中有哪些错误?

如何评价「深度学习推荐系统」这本书?

pairwise 的排序算法用于推荐系统的排序任务中为什么效果差于pointwise的ctr?

pairwise 的排序算法用于推荐系统的排序任务中为什么效果差于pointwise的ctr?

在电商搜索推荐排序中,将ctr和cvr分开建模,相比直接建模ctcvr的优势是什么?

在电商搜索推荐排序中,将ctr和cvr分开建模,相比直接建模ctcvr的优势是什么?

到底如何理解AUC?

如何理解机器学习和统计中的AUC?

如何理解机器学习和统计中的AUC?

推荐系统,离线 AUC 涨了,线上 CTR 等效果没涨,可能有哪些原因?

推荐系统,离线 AUC 涨了,线上 CTR 等效果没涨,可能有哪些原因?

为什么在验证集和测试集上AUC都比较高,而实际预测效果AUC偏低?

如何解决离线和线上auc和线上点击率不一致的问题?

模型离线训练和预测效果都很好 但是上线后没效果是为什么?

auc说是用来判断排序模型好不好的指标,请问具体数值怎么看呢?越大越好吗?

推荐系统领域有啥巧妙的idea?

推荐系统领域有啥巧妙的idea?

推荐系统有哪些坑?

在你做推荐系统的过程中都遇到过什么坑?

在你做推荐系统的过程中都遇到过什么坑?

在你做推荐系统的过程中都遇到过什么坑?

在你做推荐系统的过程中都遇到过什么坑?

在你做推荐系统的过程中都遇到过什么坑?

在你做推荐系统的过程中都遇到过什么坑?

在你做推荐系统的过程中都遇到过什么坑?

推荐算法线上最成功的一次提升是什么?

特征工程到底是什么?

深度学习如何引入统计特征?

深度学习怎么进行特征选择?

深度学习怎么进行特征选择?

特征工程在深度学习算法设计中的地位是什么?

为什么新增特征有时候会对模型带来负面影响?

CTR任务,问下把item_id进行embedding作为特征为什么会有效呢?

CTR任务,问下把item_id进行embedding作为特征为什么会有效呢?

推荐系统算法FM、FFM使用时,连续性特征,是直接作为输入,还是经过离散化后one-hot处理呢?

categorical 特征embedding 之后,和浮点数特征(scalar量)能一起直接拼接吗?

xgb还需要做特征工程吗,可以完全忽略共线性、缺失值的树模型,特征是否越多越好呢?

使用DNN训练神经网络模型时,如何知道每个特征的重要性(像xgboost模型能计算出特征重要性一样)?

有哪些解决推荐系统中冷启动的思路和方法?

有哪些解决推荐系统中冷启动的思路和方法?

推荐系统资源(物品)冷启动的方法都有哪些?

推荐系统资源(物品)冷启动的方法都有哪些?

双塔模型最后一层为什么都进行L2 Norm?

双塔模型最后一层为什么都进行L2 Norm?

双塔模型最后一层为什么都进行L2 Norm?

工业界推荐系统中有哪些召回策略?

工业界推荐系统中有哪些召回策略?

推荐系统传统召回是怎么实现热门item的打压?

推荐系统传统召回是怎么实现热门item的打压?

推荐系统里协同过滤召回之后再做排序有必要么?

推荐系统里协同过滤召回之后再做排序有必要么?

推荐系统中的召回模块决定着推荐效果的上限,那么怎么评价召回模块做好了呢?

在推荐系统中,多路召回所谓的并发式,哪路recall数据先到,哪路就先进,这样是否科学?

为什么推荐系统召回阶段常建模为多分类,而排序阶段多建模为二分类?

为什么推荐系统召回阶段常建模为多分类,而排序阶段多建模为二分类?

加入新召回源后,排序要如何适应?

推荐系统中,双塔模型用于粗排和用于召回的区别有哪些?

搜索系统的召回和推荐系统的召回有什么区别?

推荐系统召回层是否应该做排序相关的工作?

推荐系统里协同过滤召回之后再做排序有必要么?

MMoE 算法是否可以应用于推荐系统中的召回?

dssm模型的召回结果每个用户都很相似怎么办?

推荐系统召回中 dssm 和 fm 各自的主要优劣势是什么?

推荐系统召回中 dssm 和 fm 各自的主要优劣势是什么?

阿里的TDM树深度模型为什么很少有人用,是有哪些问题吗?

为什么现在推荐系统喜欢用双塔模型?双塔模型相较于单塔有什么优缺点?

现在有哪些优秀的图像检索的近似最近邻方法?互联网公司落地使用的ANN算法有哪些?相关会议有哪些推荐?

机器学习中的负采样(negative sampling)方法在什么情况下有效,背后的原因是什么?

为什么batch内负采样以后,只对正样本算CEloss?

batch内负采样有什么作用?

推荐算法是否会增强茧房效应?

推荐精排中如何建模position bias?如何利用一些强bias特征,如”商品点击率“?

position-bias问题为什么将bias特征独立出来比较好呢?

搜索引擎学习过程?

tf.nn.embedding_lookup函数原理?

TensorFlow 如何入门,如何快速学习?

你有什么值得分享的阅读代码的方法/习惯/技巧?

ESMM模型是如何提高cvr的?

ESMM模型是如何提高cvr的?

多任务学习中各loss权重应该如何设计呢?

推荐系统哪些算法可以建模超长用户行为序列?

推荐系统哪些算法可以建模超长用户行为序列?

推荐系统中如何做 User Embedding?

推荐系统中,怎么找出那些没学好的User/Item Embedding?

推荐系统中,如何训练用户和推荐项的词向量,并且保证用户和推荐项是可以求距离的?

工业界广告流量预估有哪些高效的算法?

现阶段各家公司的广告算法使用的主流模型有哪些?

搜索广告的优势是什么?

factorization machine和logistic regression的区别?

推荐系统中,精排模型之前加粗排小模型在哪些情况有必要,对整个系统来说它的优缺点有哪些?

搜索重排序和推荐列表重排序,在建模思路上有什么异同?

搜索引擎效果评估指标包括哪些?

为什么在实际的kaggle比赛中,GBDT和Random Forest效果非常好?

推荐系统中,精排模型之前加粗排小模型在哪些情况有必要,对整个系统来说它的优缺点有哪些?

请问有没有什么指标,或者从什么维度去评价一个推荐系统下(多个候选)所依赖的优质的视频物料库?

推荐系统的AB实验中,为什么会有“小流量占优”的说法?原理是什么?

推荐系统应该如何保障推荐的多样性?

为什么推荐算法都开始结合图神经网络了?

在推荐系统中,用户的长短期兴趣:长期兴趣是多“长”;短期兴趣是多“短”,如何衡量其长短?

电商搜索是如何保证搜索结果不偏离搜索意图的?

CTR和推荐算法有什么本质区别?

CTR和推荐算法有什么本质区别?

CTR和推荐算法有什么本质区别?

CTR预估模型有怎样的发展规律?

除了LR,FM(FFM)方法,CTR预测还有那些方法,应用较为广泛?

有人搞过离线CTR模型么,缓存每个user对每个item的打分,没缓存的item默认处理,靠谱吗?

ctr预估算法对于序列特征embedding可否做拼接,输入MLP?与pooling相比,优劣在哪?

深度ctr预估中id到embedding目前工业界主流是端到端直接学习还是预训练?

深度ctr预估中id到embedding目前工业界主流是端到端直接学习还是预训练?

都说数据是上限,推荐系统ctr模型中,构造正负样本有哪些实用的trick?

都说数据是上限,推荐系统ctr模型中,构造正负样本有哪些实用的trick?

推荐系统每年数百篇SOTA,有多少是真正的进展?CTR每年几十篇,公平比较也就是个半斤八两?