Fantastische Deep-Learning-Papiere für industrielle Suche, Empfehlung und Werbung. Sie konzentrieren sich auf Einbettung, Matching, Ranking (CTR/CVR-Vorhersage), Post-Ranking, großes Modell (Generative Recommendation, LLM), Transferlernen, Reinforcement Learning und so weiter.
00_Einbettung
- 2013 (Google) (NIPS) [Word2vec] Verteilte Darstellungen von Wörtern und Phrasen und ihre Zusammensetzung
- 2014 (KDD) [DeepWalk] DeepWalk – Online-Lernen sozialer Repräsentationen
- 2015 (WWW) [LINE] LINE Einbettung groß angelegter Informationsnetzwerke
- 2016 (KDD) [Node2vec] node2vec – Skalierbares Feature-Learning für Netzwerke
- 2017 (ICLR) [GCN] Halbüberwachte Klassifizierung mit Graph Convolutional Networks
- 2017 (KDD) [Struc2vec] struc2vec – Lernen von Knotendarstellungen aus struktureller Identität
- 2017 (NIPS) [GraphSAGE] Induktives Repräsentationslernen in großen Diagrammen
- 2018 (Airbnb) (KDD) *[Airbnb-Einbettung] Echtzeit-Personalisierung mithilfe von Einbettungen für das Suchranking bei Airbnb
- 2018 (Alibaba) (KDD) *[Alibaba-Einbettung] Milliardenschwere Einbettung von Waren für E-Commerce-Empfehlung in Alibaba
- 2018 (ICLR) [GAT] Graph Attention Networks
- 2018 (Pinterest) (KDD) *[PinSage] Graph Convolutional Neural Networks for Web-Scale Recommender Systems
- 2018 (WSDM) [NetMF] Netzwerkeinbettung als Matrixfaktorisierung – Vereinheitlichung von Deepwalk, Line, PTE und Node2vec
- 2019 (Alibaba) (KDD) *[GATNE] Repräsentationslernen für attributierte multiplexheterogene Netzwerke
01_Passend
- 2013 (Microsoft) (CIKM) [DSSM] Erlernen tief strukturierter semantischer Modelle für die Websuche mithilfe von Klickdaten
- 2015 (KDD) [Scepter] Ableitung von Netzwerken substituierbarer und komplementärer Produkte
- 2016 (Google) (RecSys) **[Youtube DNN] Deep Neural Networks für YouTube-Empfehlungen
- 2018 (Alibaba) (KDD) * [TDM] Lernbaumbasiertes Tiefenmodell für Empfehlungssysteme
- 2018 (Pinterest) (KDD) *[PinSage] Graph Convolutional Neural Networks for Web-Scale Recommender Systems
- 2019 (Alibaba) (CIKM) **[MIND] Multi-Interest-Netzwerk mit dynamischem Routing für Empfehlungen bei Tmall
- 2019 (Alibaba) (CIKM) *[SDM] SDM – Sequentielles Deep-Matching-Modell für ein groß angelegtes Online-Empfehlungssystem
- 2019 (Alibaba) (NIPS) *[JTM] Gemeinsame Optimierung des baumbasierten Index und des Tiefenmodells für Empfehlungssysteme
- 2019 (Amazon) (KDD) Semantische Produktsuche
- 2019 (Baidu) (KDD) *[MOBIUS] MOBIUS – Auf dem Weg zur nächsten Generation des Query-Ad-Matchings in der gesponserten Suche von Baidu
- 2019 (Google) (RecSys) **[Two-Tower] Sampling-Bias-korrigierte neuronale Modellierung für Empfehlungen für große Korpuselemente
- 2019 (Google) (WSDM) *[Top-K-Off-Policy] Top-K-Off-Policy-Korrektur für ein REINFORCE-Empfehlungssystem
- 2019 [Tencent] (KDD) Ein benutzerzentriertes Concept-Mining-System für das Abfrage- und Dokumentenverständnis bei Tencent
- 2020 (Alibaba) (ICML) [OTM] Lernen optimaler Baummodelle unter Beam Search
- 2020 (Alibaba) (KDD) *[ComiRec] Kontrollierbares Multi-Interest-Framework für Empfehlungen
- 2020 (Facebook) (KDD) **[Einbettung für Facebook-Suche] Einbettungsbasierter Abruf in der Facebook-Suche
- 2020 (Google) (WWW) *[MNS] Mixed Negative Sampling for Learning Two-Tower Neural Networks in Recommendations
- 2020 (JD) (CIKM) *[DecGCN] Entkoppeltes Graph-Faltungsnetzwerk zur Ableitung substituierbarer und komplementärer Elemente
- 2020 (JD) (SIGIR) [DPSR] Auf dem Weg zur personalisierten und semantischen Retrieval – Eine End-to-End-Lösung für die E-Commerce-Suche durch eingebettetes Lernen
- 2020 (Microsoft) (Arxiv) TwinBERT – Destillation von Wissen in zwillingsstrukturierte BERT-Modelle für einen effizienten Abruf
- 2021 (Alibaba) (KDD) * [MGDSPR] Einbettungsbasierter Produktabruf in der Taobao-Suche
- 2021 (Amazon) (KDD) Extremes Multi-Label-Lernen für semantisches Matching in der Produktsuche
- 2021 (Bytedance) (Arxiv) [DR] Deep Retrieval – Erlernen einer abrufbaren Struktur für umfangreiche Empfehlungen
- 2022 (Alibaba) (CIKM) **[NANN] [二向箔] Ungefähre Suche nach nächsten Nachbarn unter neuronaler Ähnlichkeitsmetrik für groß angelegte Empfehlungen
- 2022 (Alibaba) (CIKM) [CLE-QR] Umschreiben von Abfragen in der TaoBao-Suche
- 2022 (Alibaba) **(CIKM) [MOPPR] Multi-objektive personalisierte Produktabfrage in der Taobao-Suche
- 2024 (Bytedance) (KDD) [Trinity] Trinity – Synchronisierung von Multi-:Long-Tail:Langfristigen Interessen in einem
ANN
- 2017 (Arxiv) (Meta) [FAISS] Ähnlichkeitssuche im Milliardenmaßstab mit GPUs
- 2020 (PAMI) [HNSW] Effiziente und robuste Suche nach ungefähren nächsten Nachbarn mithilfe hierarchischer navigierbarer Small-World-Graphen
- 2021 (TPAMI) [IVF-PQ] Produktquantisierung für die Suche nach dem nächsten Nachbarn
Graph_Neural_Networks
- 2017 (ICLR) [GCN] Halbüberwachte Klassifizierung mit Graph Convolutional Networks
- 2018 (ICLR) [GAT] Graph Attention Networks
- 2018 (Pinterest) (KDD) [PinSage] Graph Convolutional Neural Networks für Web-Scale-Empfehlungssysteme
- 2019 (Alibaba) (KDD) [IntentGC] IntentGC – ein skalierbares Graph-Faltungs-Framework, das heterogene Informationen für Empfehlungen zusammenführt
- 2019 (Alibaba) (KDD) [MEIRec] Metapath-gesteuertes heterogenes graphisches neuronales Netzwerk für Absichtsempfehlungen
- 2019 (Alibaba) (SIGIR) [GIN] Graph Intention Network für die Vorhersage der Klickrate in der gesponserten Suche
- 2020 (Alibaba) (SIGIR) [ATBRG] ATBRG – Adaptives Target-Behavior Relational Graph Network für effektive Empfehlungen
02_Vorranking
- 2020 (Alibaba) (DLP-KDD) [COLD] COLD – Auf dem Weg zur nächsten Generation des Pre-Ranking-Systems
- 2023 (Alibaba) (CIKM) [COPR] COPR – Konsistenzorientiertes Pre-Ranking für Online-Werbung
- 2023 (Alibaba) (KDD) [ASMOL] Überdenken der Rolle des Vorrankings in großen E-Commerce-Suchsystemen
03_Ranking
- 2014 (ADKDD) (Facebook) Praktische Lehren aus der Vorhersage von Klicks auf Anzeigen bei Facebook
- 2016 (Google) (DLRS) **[Wide & Deep] Wide & Deep Learning für Empfehlungssysteme
- 2016 (Google) (RecSys) **[Youtube DNN] Deep Neural Networks für YouTube-Empfehlungen
- 2018 (Alibaba) (KDD) **[DIN] Deep Interest Network für Click-through-Rate-Prognose
- 2019 (Alibaba) (AAAI) **[DIEN] Deep Interest Evolution Network für die Vorhersage der Klickrate
- 2019 (Facebook) (Arxiv) [DLRM] (Facebook) Deep-Learning-Empfehlungsmodell für Personalisierungs- und Empfehlungssysteme, Facebook
- 2019 (Google) (Recsys) ** [Youtube Multi-Task] Empfehlung, welches Video Sie als nächstes ansehen sollten – ein Multitask-Ranking-System
- 2020 (Alibaba) (Arxiv) ** [SIM] Suchbasierte Benutzerinteressenmodellierung mit lebenslangen sequentiellen Verhaltensdaten für die Vorhersage der Klickrate
- 2020 (JD) (CIKM) **[DMT] Deep Multifaceted Transformers für Multi-Objective-Ranking in großen E-Commerce-Empfehlungssystemen
- 2020 (Tencent) (Recsys) ** [PLE] Progressive Layered Extraction (PLE) – Ein neuartiges Multi-Task-Learning-Modell (MTL) für personalisierte Empfehlungen
- 2021 (Alibaba) (CIKM) * [ZEUS] Selbstüberwachtes Lernen zum spontanen Verhalten von Benutzern für Multi-Szenario-Ranking im E-Commerce
- 2021 (Alibaba) (CIKM) [STAR] Ein Modell für die All-Star-Topologie, adaptiver Empfehlungsgeber für die Multi-Domain-CTR-Vorhersage
- 2022 (Alibaba) (Arxiv) ** [ETA] Effiziente lange sequentielle Benutzerdatenmodellierung für die Vorhersage der Klickrate
- 2022 (Alibaba) (WSDM) Modellierung des kontextualisierten seitenweisen Feedbacks der Benutzer für die Vorhersage der Klickrate in der E-Commerce-Suche
- 2022 (Meta) [DHEN] DHEN – Ein tiefes und hierarchisches Ensemble-Netzwerk für die Vorhersage der Klickrate im großen Maßstab
- 2022 (WWW) [FMLP] Filtergestütztes MLP ist alles, was Sie für sequentielle Empfehlungen benötigen
- 2023 (Alibaba) (Arxiv) [ESLM] Entire Space Learning Framework – Unvoreingenommene Vorhersage der Conversion-Rate in allen Phasen des Empfehlungssystems
- 2023 (Google) (Arxiv) In der Fabrikhalle – ML-Engineering für Empfehlungsmodelle für Anzeigen im industriellen Maßstab
- 2023 (Kuaishou) (Arixiv) [TWIN] TWIN – Zweistufiges Interessennetzwerk für lebenslange Modellierung des Benutzerverhaltens in der CTR-Vorhersage in Kuaishou
- 2023 (Kuaishou) (KDD) [PEPNet] PEPNet – Parameter und Einbettung eines personalisierten Netzwerks zur Bereitstellung personalisierter Vorinformationen
- 2024 (Kuaishou) (CIKM) [TWINv2] TWIN V2 – Skalierung der Modellierung extrem langer Benutzerverhaltenssequenzen für eine verbesserte CTR-Vorhersage in Kuaishou
- 2024 (Tencent) (KDD) [LCN] Domainübergreifende lebenslange sequentielle Modellierung für die Vorhersage der Online-Klickrate
Klassiker
- 2003 (Amazon) (IEEE) [CF] Amazon.com-Empfehlungen – Kollaborative Filterung von Artikel zu Artikel
- 2009 (Computer) [MF] Matrixfaktorisierungstechniken für Empfehlungssysteme
- 2016 (ICLR) [GRU4Rec] Sitzungsbasierte Empfehlungen mit wiederkehrenden neuronalen Netzen
- 2017 (Amazon) (IEEE) Zwei Jahrzehnte Empfehlungssysteme bei Amazon.com
DNN
- 2019 (KDD) (Airbnb) Anwendung von Deep Learning auf die Airbnb-Suche
- 2020 (Airbnb) (KDD) Verbesserung des Deep Learning für die Airbnb-Suche
Problem mit verzögertem Feedback
- 2008 (KDD) Lernen von Klassifikatoren nur aus positiven und unbeschrifteten Daten
- 2014 (Criteo) (KDD) [DFM] Modellierung verzögerten Feedbacks in der Display-Werbung
- 2018 (Arxiv) [NoDeF] Ein nichtparametrisches verzögertes Feedback-Modell zur Vorhersage der Conversion-Rate
- 2019 (Twitter) (RecSys) Umgang mit verzögertem Feedback für kontinuierliches Training mit neuronalen Netzen bei der CTR-Vorhersage
- 2020 (AdKDD) Delayed-Feedback-Modell mit negativer Binomialregression für mehrere Conversions
- 2020 (JD) (IJCAI) [TS-DL] Ein aufmerksamkeitsbasiertes Modell zur Vorhersage der Conversion-Rate mit verzögertem Feedback über Post-Click-Kalibrierung
- 2020 (SIGIR) [DLA-DF] Dualer Lernalgorithmus für verzögerte Konvertierungen
- 2020 (WWW) [FSIW] Eine Feedback-Verschiebungskorrektur bei der Vorhersage von Conversion-Raten bei verzögertem Feedback
- 2021 (Alibaba) (AAAI) [ES-DFM] Erfassen von verzögertem Feedback bei der Conversion-Rate-Vorhersage durch Stichproben verstrichener Zeit
- 2021 (Alibaba) (AAAI) [ESDF] Verzögerte Feedback-Modellierung für die Vorhersage der gesamten Raumumwandlungsrate
- 2021 (Alibaba) (Arxiv) [Defer] Real Negatives Matter – Kontinuierliches Training mit echten Negativen für die Modellierung verzögerter Rückmeldungen
- 2021 (Google) (Arxiv) Umgang mit vielen Conversions pro Klick bei der Modellierung verzögerten Feedbacks
- 2021 (Tencent) (SIGIR) Kontrafaktische Belohnungsmodifikation für Streaming-Empfehlungen mit verzögertem Feedback
- 2022 (Alibaba) (WWW) [DEFUSE] Asymptotisch unvoreingenommene Schätzung für die Modellierung verzögerter Rückmeldungen mittels Etikettenkorrektur
Feature-Crossing
- 2010 (ICDM) [FM] Faktorisierungsmaschinen
- 2013 (Google) (KDD) [LR] Ad Click Prediction – ein Blick aus den Schützengräben
- 2016 (Arxiv) [PNN] Produktbasierte neuronale Netze zur Vorhersage von Benutzerreaktionen
- 2016 (Criteo) (Recsys) [FFM] Feldbezogene Faktorisierungsmaschinen für die CTR-Vorhersage
- 2016 (ECIR) [FNN] Deep Learning über kategoriale Mehrfelddaten – Eine Fallstudie zur Vorhersage von Benutzerreaktionen
- 2016 (KDD) [Deepintent] Deepintent – Lernen von Aufmerksamkeiten für Online-Werbung mit wiederkehrenden neuronalen Netzen
- 2016 (Microsoft) (KDD) [Deep Crossing] Deep Crossing – Web-Scale-Modellierung ohne manuell erstellte kombinatorische Funktionen
- 2017 (Google) (ADKDD) [DCN] Deep & CrossNetwork für Ad Click Predictions
- 2017 (Huawei) (IJCAI) [DeepFM] DeepFM – Ein auf Faktorisierungsmaschinen basierendes neuronales Netzwerk für die CTR-Vorhersage
- 2017 (IJCAI) [AFM] Aufmerksamkeitsfaktorisierungsmaschinen lernen das Gewicht von Merkmalsinteraktionen über Aufmerksamkeitsnetzwerke
- 2017 (SIGIR) [NFM] Neural Factorization Machines for Sparse Predictive Analytics
- 2017 (WWW) [NCF] Neural Collaborative Filtering
- 2018 (CVPR) * [SENet] Squeeze-and-Excitation Networks
- 2018 (Google) (WSDM) [Latent Cross] Latent Cross nutzt Kontext in wiederkehrenden Empfehlungssystemen
- 2018 (KDD) [xDeepFM] xDeepFM – Kombination expliziter und impliziter Funktionsinteraktionen für Empfehlungssysteme
- 2018 (TOIS) [PNN] Produktbasierte neuronale Netze zur Vorhersage von Benutzerreaktionen anhand kategorialer Mehrfelddaten
- 2019 (CIKM) ** [AutoInt] AutoInt – Automatisches Feature-Interaktionslernen über selbstaufmerksame neuronale Netze
- 2019 (Huawei) (WWW) [FGCNN] Funktionsgenerierung durch Convolutional Neural Network zur Vorhersage der Klickrate
- 2019 (Sina) (Arxiv) [FAT-DeepFFM] FAT-DeepFFM – Field Attentive Deep Field-aware Factorization Machine
- 2019 (Sina) (Recsys) [FiBiNET] FiBiNET – Kombination von Feature-Wichtigkeit und bilinearer Feature-Interaktion für die Vorhersage der Klickrate
- 2019 (Tencent) (AAAI) [IFM] Interaktionsbewusste Faktorisierungsmaschinen für Empfehlungssysteme
- 2020 (Baidu) (KDD) [CAN] Combo-Attention-Netzwerk für Baidu-Videowerbung
- 2021 (Google) (WWW) * [DCN V2] DCN V2 – Verbesserte Deep- und Cross-Network- und praktische Lektionen für webbasiertes Lernen zum Ranking von Systemen
- 2022 (Alibaba) (WSDM) * [CAN] CAN – Feature Co-Action Network für die Vorhersage der Klickrate
- 2023 (CIKM) * [GDCN] Auf dem Weg zu einem tieferen, leichteren und interpretierbaren Cross-Network für die CTR-Vorhersage
- 2023 (Sina) (CIKM) [FiBiNet++] FiBiNet++ – Reduzierung der Modellgröße durch Low-Rank-Feature-Interaktionsschicht für die CTR-Vorhersage
- 2023 (Sina) (CIKM) [MemoNet] MemoNet – Effizientes Speichern aller Cross-Feature-Darstellungen über ein Multi-Hash-Codebuch-Netzwerk für die CTR-Vorhersage
Langzeitsequenzmodellierung
- 2019 (Alibaba) (KDD) [MIMN] Übung zur Modellierung des langen sequentiellen Benutzerverhaltens zur Vorhersage der Klickrate
- 2019 (Google) (WWW) Auf dem Weg zu einem Empfehlungsgeber für neuronale Mischungen für langstreckenabhängige Benutzersequenzen
- 2020 (Alibaba) (Arxiv) ** [SIM] Suchbasierte Benutzerinteressenmodellierung mit lebenslangen sequentiellen Verhaltensdaten für die Vorhersage der Klickrate
- 2020 (ICLR) Reformer – Der effiziente Transformator
- 2020 (SIGIR) [UBR4CTR] Abfrage des Benutzerverhaltens zur Vorhersage der Klickrate
- 2021 (Alibaba) (Arxiv) [ETA] End-to-End-Benutzerverhaltensabruf im Modell zur Vorhersage der Klickrate
- 2022 (Alibaba) (Arxiv) ** [ETA] Effiziente lange sequentielle Benutzerdatenmodellierung für die Vorhersage der Klickrate
- 2022 (Meituan) (CIKM) [SDIM] Sampling ist alles, was Sie zur Modellierung des langfristigen Benutzerverhaltens für die CTR-Vorhersage benötigen
- 2023 (Kuaishou) (Arixiv) [TWIN] TWIN – Zweistufiges Interessennetzwerk für lebenslange Modellierung des Benutzerverhaltens in der CTR-Vorhersage in Kuaishou
- 2023 (Kuaishou) (CIKM) [QIN] Suchanfragendominantes Benutzerinteressennetzwerk für groß angelegtes Suchranking
- 2024 (Kuaishou) (CIKM) [TWINv2] TWIN V2 – Skalierung der Modellierung extrem langer Benutzerverhaltenssequenzen für eine verbesserte CTR-Vorhersage in Kuaishou
- 2024 (Tencent) (KDD) [LCN] Domainübergreifende lebenslange sequentielle Modellierung für die Vorhersage der Online-Klickrate
Verlust
- 2024 (Tencent) (KDD) Verständnis des Ranking-Verlusts für Empfehlungen bei spärlichem Benutzer-Feedback
- 2024 (Tencent) (KDD) [BBP] Beyond Binary Preference – Nutzung bayesianischer Ansätze zur gemeinsamen Optimierung von Ranking und Kalibrierung
Multimodal
- 2018 (Alibaba) (CIKM) [Image CTR] Image Matters – Visuelle Modellierung des Benutzerverhaltens mithilfe von Advanced Model Server
- 2020 (Alibaba) (WWW) [MARN] Adversarial Multimodal Representation Learning für die Vorhersage der Klickrate
Multi-Domain-Multi-Szenario
- 2014 (TASLP) * [LHUC] Lernen versteckter Einheitenbeiträge für die unbeaufsichtigte Anpassung akustischer Modelle
- 2015 (Microsoft) (WWW) Ein Multi-View-Deep-Learning-Ansatz für die domänenübergreifende Benutzermodellierung in Empfehlungssystemen
- 2018 (Google) (KDD) ** [MMoE] Modellierung von Aufgabenbeziehungen beim Multi-Task-Lernen mit Multi-Gate-Mix-of-Experts
- 2019 (Alibaba) (CIKM) [WE-CAN] Domainübergreifendes Aufmerksamkeitsnetzwerk mit Wasserstein-Regularisierern für die E-Commerce-Suche
- 2020 (Alibaba) (Arxiv) [SAML] Szenariobewusster und gegenseitiger Ansatz für Multi-Szenario-Empfehlung im E-Commerce
- 2020 (Alibaba) (CIKM) [HMoE] Verbesserung des Multi-Szenario-Lernens zum Ranking im E-Commerce durch Ausnutzung von Aufgabenbeziehungen im Label-Bereich
- 2020 (Alibaba)(CIKM) [MiNet] MiNet – Netzwerk mit gemischten Interessen für die Vorhersage der domänenübergreifenden Klickrate
- 2020 (Tencent) (Recsys) ** [PLE] Progressive Layered Extraction (PLE) – Ein neuartiges Multi-Task-Learning-Modell (MTL) für personalisierte Empfehlungen
- 2021 (Alibaba) (CIKM) * [ZEUS] Selbstüberwachtes Lernen zum spontanen Verhalten von Benutzern für Multi-Szenario-Ranking im E-Commerce
- 2021 (Alibaba) (CIKM) ** [STAR] Ein Modell für die All-Star-Topologie, adaptiver Empfehlungsgeber für die CTR-Vorhersage für mehrere Domains
- 2022 (Alibaba) (CIKM) AdaSparse – Lernen adaptiver Sparse-Strukturen für die Vorhersage der Klickrate mehrerer Domains
- 2022 (Alibaba) (NIPS) ** [APG] APG – Adaptive Parameter Generation Network für die Vorhersage der Klickrate
- 2023 (Alibaba) (CIKM) [HC2] Hybride Kontrasteinschränkungen für das Anzeigenranking mit mehreren Szenarien
- 2023 (Alibaba) (CIKM) [MMN] Maskiertes Multi-Domain-Netzwerk – Vorhersage der Conversion-Rate für mehrere Typen und Szenarien mit einem einzigen Modell
- 2023 (Alibaba) (CIKM) [Rec4Ad] Rec4Ad – Ein kostenloses Mittagessen, um Stichprobenauswahlverzerrungen für die CTR-Vorhersage von Anzeigen in Taobao zu mildern
- 2023 (Alibaba) (SIGIR) [MARIA] Multi-Szenario-Ranking mit adaptivem Feature-Learning
- 2023 (CIKM) [HAMUR] HAMUR – Hyper-Adapter für Multi-Domain-Empfehlung
- 2023 (Huawei) (CIKM) [DFFM] DFFM – Domain Facilitated Feature Modeling für CTR-Vorhersage
- 2023 (Kuaishou) (KDD) * [PEPNet] PEPNet – Parameter und Einbettung eines personalisierten Netzwerks zur Einspeisung personalisierter Vorinformationen
- 2023 (Tencent) (KDD) Szenarioadaptive Funktionsinteraktion zur Vorhersage der Klickrate
- 2024 (Alibaba) (CIKM) * [MultiLoRA] MultiLoRA – Multidirektionale Low-Rank-Anpassung für Multi-Domain-Empfehlung
- 2024 (Alibaba) (RecSys) * [MLoRA] MLoRA – Adaptives Multi-Domain-Low-Rank-Netzwerk zur Vorhersage der Klickrate
- 2024 (Kuaishou) (SIGIR) [M3oE] M3oE – Multi-Domain Multi-Task Mixture-of-Experts Empfehlungsrahmen
- 2024 (Tencent) (KDD) [LCN] Domainübergreifende lebenslange sequentielle Modellierung für die Vorhersage der Online-Klickrate
- 2024 (WSDM) Erforschung von adapterbasiertem Transferlernen für Empfehlungssysteme – empirische Studien und praktische Erkenntnisse
Multitasking
- (2018) (ICML) GradNorm – Gradientennormalisierung für den adaptiven Verlustausgleich in tiefen Multitask-Netzwerken
- 2014 (TASLP) [LHUC] Lernen versteckter Einheitenbeiträge für die unbeaufsichtigte Anpassung akustischer Modelle
- 2017 (Google) (ICLR) [Sparsely-Gated MOE] Unverschämt große neuronale Netze – Die spärlich-gated-Mixed-of-Experts-Schicht
- 2018 (Alibaba) (KDD) [DUPN] Nehmen Sie Ihre Benutzer im Detail wahr – Lernen Sie universelle Benutzerdarstellungen aus mehreren E-Commerce-Aufgaben
- 2018 (Alibaba) (SIGIR) [ESMM] Entire Space Multi-Task-Modell – ein effektiver Ansatz zur Schätzung der Post-Click-Conversion-Rate
- 2018 (CVPR) Multitasking-Lernen unter Verwendung von Unsicherheit zur Abwägung von Verlusten für Szenengeometrie und Semantik
- 2018 (Google) (KDD) ** [MMoE] Modellierung von Aufgabenbeziehungen beim Multi-Task-Lernen mit Multi-Gate-Mix-of-Experts
- 2019 (Alibaba) (CIKM) Multitasking-basierte Verkaufsprognosen für Online-Werbeaktionen
- 2019 (Alibaba) (Recys) Ein Pareto-effizienter Algorithmus zur Optimierung mehrerer Ziele in der E-Commerce-Empfehlung
- 2019 (Google) (AAAI) SNR-Subnetzwerk-Routing für flexible Parameterfreigabe beim Multitasking-Lernen
- 2019 (Google) (Recsys) ** [Youtube Multi-Task] Empfehlung, welches Video Sie als nächstes ansehen sollten – ein Multitask-Ranking-System
- 2019 (NIPS) Pareto-Multi-Task-Lernen
- 2020 (Alibaba) (SIGIR) [ESM2] Gesamtraum-Multitasking-Modellierung mittels Post-Click-Verhaltenszerlegung zur Conversion-Rate-Vorhersage
- 2020 (Alibaba) (WWW) Groß angelegte kausale Ansätze zur Verzerrung der Schätzung der Post-Click-Conversion-Rate durch Multitasking-Lernen
- 2020 (Amazon) (WWW) Multi-Ziel-Ranking-Optimierung für die Produktsuche mithilfe stochastischer Label-Aggregation
- 2020 (Google) (KDD) [MoSE] Multitasking-Mischung aus sequentiellen Experten für Benutzeraktivitätsströme
- 2020 (JD) (CIKM) *[DMT] Deep Multifaceted Transformers für Multi-Objective-Ranking in großen E-Commerce-Empfehlungssystemen
- 2020 (Tencent) (Recsys) ** [PLE] Progressive Layered Extraction (PLE) – Ein neuartiges Multi-Task-Learning-Modell (MTL) für personalisierte Empfehlungen
- 2021 (Alibaba) (SIGIR) [HM3] Hierarchische Modellierung von Mikro- und Makroverhalten durch Multi-Task-Lernen zur Vorhersage der Conversion-Rate
- 2021 (Alibaba) (SIGIR) [MSSM] MSSM – Ein mehrstufiges Sparse-Sharing-Modell für effizientes Multitasking-Lernen
- 2021 (Baidu) (SIGIR) [GemNN] GemNN – Gating-verstärkte Multi-Task-Neuronale Netze mit Feature-Interaction-Learning für CTR-Vorhersage
- 2021 (Google) (Arxiv) [DSelect-k] DSelect-k Differenzierbare Auswahl im Expertenmix mit Anwendungen für Multi-Task-Lernen
- 2021 (Google) (ICLR) HyperGrid Transformers – Auf dem Weg zu einem einzigen Modell für mehrere Aufgaben
- 2021 (Google) (KDD) Fairness-Genauigkeit-Kompromisse beim Multitasking-Lernen verstehen und verbessern
- 2021 (JD) (ICDE) Kontroverse Expertenmischung mit Kategoriehierarchie-Soft-Constraint
- 2021 (Kwai) (Arxiv) [POSO] POSO – Personalisierte Kaltstartmodule für große Empfehlungssysteme
- 2021 (Meituan) (KDD) Modellierung der sequentiellen Abhängigkeit zwischen mehrstufigen Konvertierungen der Zielgruppe mit Multitasking-Lernen in gezielter Display-Werbung
- 2021 (Tencent) (Arxiv) Mischung von Virtual-Kernel-Experten für die mehrobjektive Benutzerprofilmodellierung
- 2021 (Tencent) (WWW) Personalisierte ungefähre Pareto-effiziente Empfehlung
- 2022 (Google) (WWW) Können kleine Köpfe helfen? Multi-Task-Generalisierung verstehen und verbessern
- 2023 (Airbnb) (KDD) Optimierung der Airbnb-Suchreise durch Multitasking-Lernen
- 2023 (Alibaba) (CIKM) [DTRN] Deep Task-spezifisches Bottom Representation Network für Multi-Task-Empfehlung
- 2023 (Google) (CIKM) Multitask-Ranking-System für immersiven Feed und keine Klicks mehr – Eine Fallstudie zu kurzen Videoempfehlungen
- 2023 (Google) (KDD) Verbesserung der Trainingsstabilität für Multitask-Ranking-Modelle in Empfehlungssystemen
- 2023 (Meta) (KDD) AdaTT – Adaptives Task-to-Task-Fusionsnetzwerk für Multitasking-Lernen in Empfehlungen
- 2024 (Airbnb) (KDD) Multiobjektives Lernen zur Rangfolge durch Modelldestillation
- 2024 (Kuaishou) (KDD) [GradCraft] GradCraft – Verbesserung der Multitasking-Empfehlungen durch ganzheitliches Gradienten-Crafting
- 2024 (Kuaishou) [HoME] HoME – Hierarchie der Multi-Gate-Experten für Multi-Task-Lernen in Kuaishou
- 2024 (Shopee) (KDD) [ResFlow] Restlicher Multi-Task-Lerner für angewandtes Ranking
- 2024 (Tencent) (KDD) [STEM] Werbeempfehlung in einer zusammengebrochenen und verwickelten Welt
Vorschulung
- 2019 (Alibaba) (IJCAI) [DeepMCP] Representation Learning-Assisted Click-Through-Rate-Vorhersage
- 2019 (SIGIR) [BERT4Rec] (Alibaba) (SIGIR2019) BERT4Rec – Sequentielle Empfehlung mit bidirektionalen Encoderdarstellungen von Transformer
Sequenzmodellierung
- 2016 (Google) (RecSys) **[Youtube DNN] Deep Neural Networks für YouTube-Empfehlungen
- 2017 (Google) (NIPS) ** Aufmerksamkeit ist alles, was Sie brauchen
- 2018 (Alibaba) (KDD) **[DIN] Deep Interest Network für Click-through-Rate-Prognose
- 2018 (Alibaba) (KDD) [DUPN] Nehmen Sie Ihre Benutzer im Detail wahr – Lernen Sie universelle Benutzerdarstellungen aus mehreren E-Commerce-Aufgaben
- 2019 (Alibaba) (AAAI) **[DIEN] Deep Interest Evolution Network für die Vorhersage der Klickrate
- 2019 (Alibaba) (IJCAI) [DSIN] Deep Session Interest Network zur Vorhersage der Klickrate
- 2019 (Alibaba) (KDD) [BST] Behavior Sequence Transformer für E-Commerce-Empfehlung in Alibaba
- 2019 (Alibaba) (KDD) [DSTN] Tiefe räumlich-zeitliche neuronale Netze zur Vorhersage der Klickrate
- 2019 (Alibaba) (WWW) [TiSSA] TiSSA – Ein Zeitscheiben-Selbstaufmerksamkeitsansatz zur Modellierung sequentiellen Benutzerverhaltens
- 2019 (Tencent) (KDD) [RALM] TReal-time Attention Based Look-alike Model for Recommender System
- 2020 (Alibaba) (SIGIR) [DHAN] Großes Interesse mit hierarchischem Aufmerksamkeitsnetzwerk für die Vorhersage der Klickrate
- 2020 (Google) (KDD) [Google Drive] Verbesserung der Empfehlungsqualität in Google Drive
- 2020 (JD) (CIKM) **[DMT] Deep Multifaceted Transformers für Multi-Objective-Ranking in großen E-Commerce-Empfehlungssystemen
- 2020 (JD) (NIPS) [KFAtt] Kalman-Filterung Aufmerksamkeit für die Modellierung des Benutzerverhaltens bei der CTR-Vorhersage
- 2020 (JD) (WSDM) [HUP] Hierarchische Benutzerprofilierung für E-Commerce-Empfehlungssysteme
- 2022 (Alibaba) (WSDM) Modellierung des kontextualisierten seitenweisen Feedbacks der Benutzer für die Vorhersage der Klickrate in der E-Commerce-Suche
- 2022 (JD) (WWW) Implizite Benutzerbewusstseinsmodellierung über Kandidatenelemente für die CTR-Vorhersage in Suchanzeigen
- 2023 (JD) (CIKM) [IUI] IUI – Absichtsgestützte Benutzerinteressenmodellierung für die Vorhersage der Klickrate
- 2023 (Meituan) (CIKM) [DCIN] Deep Context Interest Network für die Vorhersage der Klickrate
- 2023 (Pinterest) (KDD) TransAct – Transformer-basiertes Echtzeit-Benutzeraktionsmodell zur Empfehlung bei Pinterest
Auslösen
- 2022 (Alibaba) (WWW) Deep Interest Highlight-Netzwerk für die Vorhersage der Klickrate in Trigger-induzierten Empfehlungen
04_Post-Ranking
- 1998 (SIGIR) ** [MRR] Die Verwendung von MMR, Diversity-Based Reranking für die Neuordnung von Dokumenten und die Erstellung von Zusammenfassungen
- 2005 (WWW) Verbesserung der Empfehlungslisten durch Themendiversifizierung
- 2008 (SIGIR) [α-NDCG] Neuheit und Vielfalt bei der Bewertung des Informationsabrufs
- 2009 (Microsoft) (WSDM) Diversifizierung der Suchergebnisse
- 2010 (WWW) Nutzung von Abfrageneuformulierungen zur Diversifizierung von Websuchergebnissen
- 2016 (Amazon) (RecSys) Adaptive, personalisierte Diversität für visuelle Entdeckung
- 2017 (Hulu) (NIPS) [DPP] Schnelle Greedy-MAP-Inferenz für den Determinantenpunktprozess zur Verbesserung der Empfehlungsvielfalt
- 2018 (Alibaba) (IJCAI) Global optimiertes Ranking für gegenseitige Einflussnahme in der E-Commerce-Suche
- 2018 (Alibaba) (IJCAI) [Alibaba GMV] Global optimiertes Ranking für gegenseitige Einflussnahme in der E-Commerce-Suche
- 2018 (Google) (CIKM) [DPP] Praktische vielfältige Empfehlungen auf YouTube mit Determinantal Point Processes
- 2018 (SIGIR) [DLCM] Erlernen eines tiefen listenweisen Kontextmodells zur Ranking-Verfeinerung
- 2019 (Alibaba) (WWW) [Value-based RL] Wertbewusste Empfehlung basierend auf Reinforcement Profit Maximization
- 2019 (Alibaba) (KDD) [GAttN] Exact-K-Empfehlung über maximale Clique-Optimierung
- 2019 (Alibaba) (RecSys) ** [PRM] Personalisierte Neubewertung für Empfehlung
- 2019 (Google) (Arxiv) Reinforcement Learning für Slate-basierte Empfehlungssysteme – Eine nachvollziehbare Zerlegung und praktische Methodik
- 2019 (Google) (Arxiv) Seq2slate – Re-Ranking und Slate-Optimierung mit rnns
- 2019 (Google) (IJCAI) [SlateQ] SLATEQ – Eine nachvollziehbare Zerlegung für Reinforcement Learning mit Empfehlungssätzen
- 2019 (Google) (WSDM) [Top-K Off-Policy] Top-K Off-Policy-Korrektur für ein REINFORCE-Empfehlungssystem
- 2020 (Airbnb) (KDD) Diversität in der Airbnb-Suche verwalten
- 2020 (Alibaba) (CIKM) [EdgeRec] EdgeRec – Empfehlungssystem auf Edge in Mobile Taobao
- 2020 (Huawei) (Arxiv) Personalisierte Neubewertung zur Verbesserung der Vielfalt in Live-Empfehlungssystemen
- 2021 (Alibaba) (Arxiv) [PRS] Revisit Recommender System in the Permutation Prospective
- 2021 (Google) (WSDM) Benutzerreaktionsmodelle zur Verbesserung eines REINFORCE-Empfehlungssystems
- 2021 (Microsoft) Vielfalt für unterwegs! Streaming determinanter Punktprozesse unter einem Ziel der maximalen induzierten Kardinalität
- 2023 (Amazon) (KDD) RankFormer – Listenweises Erlernen des Rankings mithilfe listenweiter Labels
- 2023 (Meituan) (KDD) PIER – Interessenbasiertes End-to-End-Reranking-Framework auf Permutationsebene im E-Commerce
- 2024 (Kuaishou) (KDD) [NAR4Rec] Nicht-autoregressive generative Modelle für Reranking-Empfehlung
Seq2Slate
- 2015 (Google) (Arxiv) Deep Reinforcement Learning in großen diskreten Aktionsräumen
- 2015 (Google) (Arxiv) Deep Reinforcement Learning mit Aufmerksamkeit für Slate-Markov-Entscheidungsprozesse mit hochdimensionalen Zuständen und Aktionen
- 2017 (KDD) [DCM] Deep-Choice-Modell unter Verwendung von Zeigernetzwerken für die Vorhersage von Flugrouten
- 2018 (Microsoft) (EMNLP) [RL4NMT] Eine Studie zum verstärkenden Lernen für die neuronale maschinelle Übersetzung
- 2019 (Google) (Arxiv) Seq2slate – Re-Ranking und Slate-Optimierung mit rnns
05_Relevanz
- 2020 (ICLR) [StructBERT] StructBERT – Einbeziehung von Sprachstrukturen in das Vortraining für tiefes Sprachverständnis
- 2021 (Alibaba) (WWW) Erlernen eines Produktrelevanzmodells aus Click-Through-Daten im E-Commerce
- 2023 (Meituan) (CIKM) [SPM] SPM – Strukturierte Pretraining- und Matching-Architekturen für die Relevanzmodellierung in der Meituan-Suche
06_Kaskade
- 2023 (Alibaba) (CIKM) [COPR] COPR – Konsistenzorientiertes Pre-Ranking für Online-Werbung
- 2023 (Alibaba) (KDD) [ASMOL] Überdenken der Rolle des Vorrankings in großen E-Commerce-Suchsystemen
07_Großes_Modell
- 2019 (CIKM) [AutoInt] AutoInt – Automatisches Feature-Interaktionslernen über selbstaufmerksame neuronale Netze
- 2020 (Arxiv) Skalierungsgesetze für neuronale Sprachmodelle
- 2022 (Arxiv) (Meta) DHEN – Ein tiefes und hierarchisches Ensemble-Netzwerk für die Vorhersage der Klickrate im großen Maßstab
- 2024 (Arxiv) (Bytedance) [HLLM] HLLM – Verbesserung sequentieller Empfehlungen durch hierarchische große Sprachmodelle für die Artikel- und Benutzermodellierung
- 2024 (Arxiv) ** (Meta) [GR] Taten sagen mehr als Worte – Sequentielle Wandler mit Billionen Parametern für generative Empfehlungen
- 2024 (PMLR) (Meta) [Wukong] Wukong – Auf dem Weg zu einem Skalierungsgesetz für groß angelegte Empfehlungen
Lebenslauf
- 2014 (ICML) [VAE] Auto-Encoding Variational Bayes
- 2014 (NIPS) [GAN] Generative Adversarial Nets
- 2017 (NIPS) [VQ-VAE] Neural Discrete Representation Learning
- 2020 (NIPS) [Diffusion] Entrauschende Diffusions-Wahrscheinlichkeitsmodelle
Deep_Learning
- 2012 (NIPS) [CNN] ImageNet-Klassifizierung mit Deep Convolutional Neural Networks
- 2014 (JMLR) [Dropout] Dropout – Eine einfache Möglichkeit, eine Überanpassung neuronaler Netze zu verhindern
- 2015 (Google) (JMLR) [BatchNorm] Batch-Normalisierung – Beschleunigung des Deep-Network-Trainings durch Reduzierung der internen Kovariatenverschiebung
- 2015 (OpenAI) (ICLR) [Adam] Adam – Eine Methode zur stochastischen Optimierung
- 2016 (CVPR) [ResNet] Deep Residual Learning für die Bilderkennung
- 2016 (OpenAI) (NIPS) [Gewichtsnorm] Gewichtsnormalisierung – Eine einfache Neuparametrisierung zur Beschleunigung des Trainings tiefer neuronaler Netze
- 2017 (Arxiv) [LayerNorm] Ebenennormalisierung
- 2017 (Google) (NIPS) [Transformer] Aufmerksamkeit ist alles, was Sie brauchen
LLM
- 2013 (Google) (NIPS) [Word2vec] Verteilte Darstellungen von Wörtern und Phrasen und ihre Zusammensetzung
- 2014 (Google) (NIPS) [Seq2Seq] Sequenz-zu-Sequenz-Lernen mit neuronalen Netzen
- 2017 (Google) (NIPS) [Transformer] Aufmerksamkeit ist alles, was Sie brauchen
- 2017 (OpenAI) (NIPS) [RLHF] Deep Reinforcement Learning aus menschlichen Vorlieben
- 2018 (OpenAI) (Arxiv) [GPT] Verbesserung des Sprachverständnisses durch generatives Vortraining
- 2019 (Google) (NAACL) [Bert] BERT – Vorschulung tiefer bidirektionaler Transformatoren für das Sprachverständnis
- 2019 (OpenAI) (Arxiv) [GPT2] Sprachmodelle sind unbeaufsichtigte Multitasking-Lernende
- 2020 (Arxiv) Skalierungsgesetze für neuronale Sprachmodelle
- 2020 (OpenAI) (Arxiv) [GPT3] Sprachmodelle sind Few-Shot-Lernende
- 2021 (Microsoft) (Arxiv) [LoRA] LoRA – Low-Rank-Anpassung großer Sprachmodelle
- 2022 (Google) (JMLR) [SwitchTransfomers] Schalttransformatoren – Skalierung auf Billionen-Parametermodelle mit einfacher und effizienter Sparsity
- 2022 (Google) (NIPS) [ChainOfThought] Chain-of-Thought-Prompting löst Argumentation in großen Sprachmodellen aus
- 2022 (Google) (TMLR) [Emergent] Neue Fähigkeiten großer Sprachmodelle
- 2022 (OpenAI) (Arxiv) [InstructGPT] Sprachmodelle trainieren, um Anweisungen mit menschlichem Feedback zu befolgen
- 2023 (Meta) (Arxiv) [LLaMA] LLaMA – Offene und effiziente Foundation-Sprachmodelle
- 2023 (OpenAI) (Arxiv) [GPT4] GPT-4 Technischer Bericht
MOE
- 2017 (Google) (ICLR) [Sparsely-Gated MOE] Unverschämt große neuronale Netze – Die spärlich-gated-Mixed-of-Experts-Schicht
- 2018 (Google) (KDD) ** [MMoE] Modellierung von Aufgabenbeziehungen beim Multi-Task-Lernen mit Multi-Gate-Mix-of-Experts
- 2022 (Google) (JMLR) [SwitchTransfomers] Schalttransformatoren – Skalierung auf Billionen-Parametermodelle mit einfacher und effizienter Sparsity
- 2022 (Meta) (EMNLP) Effiziente Sprachmodellierung im großen Maßstab mit Expertenmischungen
- 2024 (Google) (ICLR) Von spärlichen zu weichen Expertenmischungen
Multimodal
- 2020 (Google) (ICLR) [ALBERT] ALBERT – Ein Lite-BERT für selbstüberwachtes Lernen von Sprachdarstellungen
- 2021 (Google) (ICLR) [Vit] Ein Bild ist 16x16 Wörter - Transformatoren für die Bilderkennung im Maßstab wert
- 2021 (OpenAI) (ICML) [Clip] Lerntranslierbare visuelle Modelle aus der natürlichen Sprachüberwachung lernen
Self_supervised_learning
- 2020 (Alibaba) (AAAI) [DMR] Deep Match zum Rangmodell für personalisierte Klickrate-Vorhersage
- 2020 (Alibaba) (CIKM) [BERT4REC] BERT4REC - Sequentielle Empfehlung mit bidirektionalen Encoder -Darstellungen aus dem Transformator
- 2020 (Alibaba) (KDD) entspannte sich in sequentiellen Empfehlungen
- 2020 (ARXIV) Userbert - Selbsterüberwachung der Benutzerdarstellung Lernen
- 2020 (ARXIV) [SGL] SELBSPRÜFUNG GRAPIERUNGS-Lernen für Empfehlungen
- 2020 (CIKM) [S3REC] S3-REC-SELTSCHAFTE LERNUNG FÜR SEITREISCHE Empfehlungen mit gegenseitiger Informationsmaximierung
- 2020 (EMNLP) [PTUM] PTUM-Benutzermodell vor dem Training von nicht beleidigten Benutzernverhalten über Selbst-Supervision
- 2020 (SIGIR) SELBSPRÜFUNG VON SCHREIBEN VON SPRECONDER SYSTEMEN
- 2020 (Xiangnan HE) (ARXIV) SELBSPRÜFUNG GRAPEL-Lernen zur Empfehlung
- 2021 (Alibaba) (ARXIV) [CLREC] Kontrastives Lernen für die debiassierte Kandidatengenerierung in großflächigen Empfehlungssystemen
- 2021 (Alibaba) (CIKM) * [Zeus] Selfüberwaches Lernen über das spontane Verhalten der Benutzer für das Ranking mit mehreren Szenarien im E-Commerce
- 2021 (Alibaba) (www) kontrastive Vorausbildung für sequentielle Empfehlungen
- 2021 (Google) (CIKM) Selbster überprüftes Lernen für groß angelegte Elementempfehlungen
- 2021 (WSDM) [PROP] Prop-Vorausbildung mit repräsentativen Wörtern Vorhersage für das Ad-hoc-Abruf
08_transfer_learning
- 2014 (Google) (NIPS) [Knoledge Destillation] Destillieren des Wissens in einem neuronalen Netzwerk
- 2015 (ICLR) [Fitnets] Fitnets - Hinweise für dünne tiefe Netze
- 2018 (Alibaba) (AAAI) [Raketen] Raketeneinführung - Ein universelles und effizientes Rahmen für das Training für gutleistungsfähige Lichtnetz
- 2018 (KDD) [Ranking Destillation] Ranking Destillation - Lernkompaktranking -Modelle mit hoher Leistung für Empfehlungssystem
- 2019 (ICCV) [RCO] Wissensdestillation durch Routenbeschränkungen -Optimierung
- 2020 (Alibaba) (KDD) *[privilegierte Merkmale Destillation] Privilegierte Merkmale Destillation bei Taobao -Empfehlungen
Cross-Domain
- 2015 (Microsoft) (www) Ein Multi-View-Deep-Learning-Ansatz für die Modellierung von Cross-Domain-Benutzer in Empfehlungssystemen
- 2016 (JMLR) Domänen-Adversarial-Ausbildung neuronaler Netze
- 2018 (CIKM) Conet - Kollaborative Cross -Netzwerke für die Cross -Domänen -Empfehlung
- 2019 (Alibaba) (CIKM) [WE-Can] Cross-Domain-Aufmerksamkeitsnetzwerk mit Wasserstein-Regularisierern für E-Commerce-Suche
- 2019 (Alibaba) (KDD) [MGTL] Ein Minimax -Spiel zum Beispiel basierten selektiven Transferlernen
- 2019 (CIKM) DTCDR-Ein Framework für die Empfehlung mit Doppelziele-Domänen
- 2020 (Alibaba) (CIKM) [MINET] Minett-gemischtes Interessensnetzwerk für die Cross-Domain-Klick-Through-Rate-Vorhersage
- 2020 (WSDM) DDTCDR - Empfehlung für Doppelübertragungs -Kreuzungsdomänen
Meta-Learning
- 2019 (Alibaba) (KDD) [S_2META] Sequentielle szenariospezifische Meta-Lernende für Online-Empfehlung
- 2020 (Kuaishou) (SIGIR) [SML] Wie soll das Empfehlungssystem übertragen? Eine sequentielle Meta-Learning-Methode
Überweisen
- 2018 (CVPR) Effiziente Parametrisierung von tiefen neuronalen Netzwerken mit mehreren Domänen
- 2019 (ICML) Parameter-effizientes Transferlernen für NLP
- 2020 (Tencent) (SIGIR) [PETERREC] Parameter-effizientes Transfer von sequentiellen Verhaltensweisen für Benutzermodellierung und Empfehlung
09_REINFORMENCTS_LEARNING
- 2010 (Yahoo) (www) [Linucb] Ein kontextbezogener Bandit-Ansatz zur Empfehlung für personalisierte Nachrichtenartikel
- 2018 (Alibaba) (KDD) Verstärkungslernen, um in der Formalisierung, Analyse und Anwendung von E-Commerce-Suchmaschinen zu rangieren
- 2018 (Spotify) (Recsys) [Spotify Bandit] Erforschen, nutzen und erklären Sie personalisierende Erklärungsempfehlungen mit Banditen
- 2018 [Microsoft] (www) [DRN] DRN - Ein tiefe Verstärkungslernrahmen für Nachrichtenempfehlung
- 2019 (Alibaba) (www) [HRL] Aggregation von E-Commerce-Suchergebnissen aus heterogenen Quellen über hierarchisches Verstärkungslernen
- 2019 (Google) (IJCAI) *[SLATEQ] SLATEQ - Eine Traktable -Zersetzung für Verstärkungslernen mit Empfehlungssätzen
- 2019 (Google) (WSDM) *[Top-K-Off-Policy] Top-K-Off-Policy
- 2019 (JD) (KDD) [FeedRec] Verstärkungslernen zur Optimierung des langfristigen Benutzerbetriebs in Empfehlungssystemen
- 2019 (SIGWEB) Tiefes Verstärkungslernen für Suche, Empfehlung und Online -Werbung - Eine Umfrage
- 2020 (Bytedance) (KDD) [RAM] gemeinsam lernen, zu empfehlen und zu werben
- 2020 (JD) (SIGIR) [NICF] Neuronale interaktive kollaborative Filterung
Konferenz
KDD2023
- 2023 (Airbnb) (KDD) Optimierung der Airbnb-Suchreise mit Multi-Task-Lernen
- 2023 (Alibaba) (KDD) Erfassungsumfassungsrate -Schwankung während der Verkaufsförderung - Ein neuartiger Ansatz für historische Daten wiederverwenden
- 2023 (Amazon) (KDD) Rankformer-Listwise Learning-to-Rank Verwenden Sie listwide Labels
- 2023 (Baidu) (KDD) Lernen diskrete Dokumente Darstellungen in der Websuche
- 2023 (Baidu) (KDD) S2Phere-Semi-überprüfter Vorbild für die Websuche über heterogenes Lernen, um Daten zu rangieren
- 2023 (Google) (KDD) Verbesserung der Trainingsstabilität für Multitasking -Ranking -Modelle in Empfehlungssystemen
- 2023 (Kuaishou) (KDD) Baumbasiertes progressives Regressionsmodell für die Vorhersage der Uhrzeit in kurzer Video- und Kurzvideo-Empfehlung
- 2023 (Kuaishou) (KDD) [Pepnet] Pepnet - Parameter und Einbettung eines personalisierten Netzwerks für die Infusion mit personalisierten vorherigen Informationen
- 2023 (Meituan) (KDD) Pier-Zinsbasierte End-to-End-Rangliste auf Permutationsebene im E-Commerce
- 2023 (Meta) (KDD) Adatt-Adaptive Task-to-Task-Fusionsnetzwerk für Multitasking-Lernen in Empfehlungen
- 2023 (Microsoft) (KDD) Unifier - Ein einheitlicher Retriever für das Retrieval in großem Maßstab
- 2023 (Pinterest) (KDD) Transact - Transformator -basierte Echtzeit -Benutzeraktionsmodell für Empfehlungen bei Pinterest
- 2023 (Tencent) (KDD) Binärer Einbettungsbasis bei Tencent
- 2023 (Tencent) (KDD) CT4REC - Einfaches, aber effektives Konsistenztraining für sequentielle Empfehlungen
- 2023 (Tencent) (KDD) Szenario-adaptive Funktionen Interaktion für die Klickrate-Vorhersage
KDD2024
- 2024 (Airbnb) (KDD) Multi-Objektiv-Lernen, um nach Modelldestillation zu rangieren
- 2024 (Bytedance) (KDD) [Dreifaltigkeit] Dreifaltigkeit-Synkretisierung von Multi-Tail: Langzeitinteressen alle in einem
- 2024 (Kuaishou) (KDD) [Gradcraft] Gradcraft - Empfehlungen mit mehreren Aufgaben durch ganzheitliche Gradienten -Basteln erhöhen
- 2024 (Kuaishou) (KDD) [NAR4REC] Nicht-autoregressive generative Modelle für die Wiederbelebung der Empfehlung
- 2024 (Shopee) (KDD) [Resflow] Residual Multi-Task-Lernende für die angewandte Ranking
- 2024 (Tencent) (KDD) Verständnis des Ranking -Verlusts für Empfehlungen mit spärlichem Benutzer -Feedback
- 2024 (Tencent) (KDD) [BBP] Jenseits der binären Präferenz - Nutzung von Bayes'schen Ansätzen zur gemeinsamen Optimierung des Rankings und der Kalibrierung
- 2024 (Tencent) (KDD) [LCN] Cross-Domain Lifelong-sequentielle Modellierung für Online-Klickrate-Vorhersage
- 2024 (Tencent) (KDD) [STEM] ADS -Empfehlung in einer zusammengebrochenen und verwickelten Welt
Gesellschaft
Google
- 2014 (Google) (NIPS) [Knoledge Destillation] Destillieren des Wissens in einem neuronalen Netzwerk
- 2015 (Google) (ARXIV) Tiefes Verstärkungslernen in großen diskreten Aktionsräumen
- 2015 (Google) (ARXIV) Tiefe Verstärkung Lernen mit Aufmerksamkeit für die Entscheidungsprozesse von Slate Markov mit hochdimensionalen Zuständen und Handlungen
- 2016 (Google) (DLRS) ** [breit und tief] breites und tiefes Lernen für Empfehlungssysteme
- 2016 (Google) (Recsys) ** [YouTube DNN] Deep Neural Networks für YouTube -Empfehlungen
- 2017 (Google) (ICLR) [spärlich gestaltete MOE] Unverschämt große neuronale Netzwerke-die spärlich gestaltete Mischung aus der Expertenschicht
- 2018 (Google) (CIKM) [DPP] Praktische diversifizierte Empfehlungen auf YouTube mit determinanten Punktprozessen
- 2018 (Google) (KDD) [MMOE] Modellierungsaufgabenbeziehungen im Multi-Task-Lernen mit Multi-Gate-Mischung aus Experten
- 2019 (Google) (ARXIV) SEQ2SLATE - RANKING UND SLATE -Optimierung mit RNNs
- 2019 (Google) (IJCAI) *[SLATEQ] SLATEQ - Eine Traktable -Zersetzung für Verstärkungslernen mit Empfehlungssätzen
- 2
- 2
- 2019 (Google) (WSDM) *[Top-K-Off-Policy] Top-K-Off-Policy
- 2020 (Google) (ARXIV) SELBSPRÜFUNGSPRÜFUNG FÜR DIE ARTEILE REISE-Empfehlungen
- 2020 (Google) (KDD) [Google Drive] Verbesserung der Empfehlungsqualität in Google Drive
- 2020 (Google) (KDD) [Mose] Multitask -Mischung von sequentiellen Experten für Benutzeraktivitätsströme
JDRECSYS
- 2020 (JD) (CIKM) *[DMT] Tiefe facettenreiche Transformatoren für das Multi-Objektiv-Ranking in groß angelegten E-Commerce-Empfehlungssystemen
- 2020 (JD) (CIKM) *[DECGCN] Entkoppeltes Graph -Faltungsnetzwerk zum Abschluss von substituierbaren und komplementären Elementen
- 2020 (JD) (SIGIR) [NICF] Neuronale interaktive kollaborative Filterung
- 2020 (JD) (WSDM) [HUP] hierarchische Benutzerprofile für E-Commerce-Empfehlungssysteme
TaobaoSearch
- 2018 (Alibaba) (IJCAI) Global optimiert gegenseitiger Einfluss bewusstes Ranking bei der E-Commerce-Suche
- 2018 (Alibaba) (IJCAI) [Jump] Jump - Ein gemeinsamer Prädiktor für Benutzerklick- und Verweilzeit
- 2018 (Alibaba) (KDD) [DUPN] Nehmen Sie Ihre Benutzer eingehend wahr - Erlernen von universellen Benutzerdarstellungen aus mehreren E -Commerce -Aufgaben
- 2018 (Alibaba) (www) [MA-RDPG] Lernen für die Zusammenarbeit-Multi-Szenario-Ranking über Verstärkungslernen mit mehreren Agenten
- 2019 (Alibaba) (CIKM) Cross-Domain-Aufmerksamkeitsnetzwerk mit Wasserstein Regularisierern für E-Commerce-Suche
- 2019 (Alibaba) (KDD) [MGTL] Ein Minimax -Spiel zum Beispiel basierten selektiven Transferlernen
- 2019 (Alibaba) (www) aggregieren E-Commerce-Suchergebnisse aus heterogenen Quellen über hierarchisches Verstärkungslernen
- 2020 (Alibaba) (CIKM) [Tien] Tiefe zeitbewusste Element Evolution Network für die Klickrate-Vorhersage
- 2020 (Alibaba) (NIPS) Neuron-Ebene strukturiertes Schnitt unter Verwendung des Polarisation-Regularizers
- 2020 (Alibaba) (www) [Marn] Konversarische multimodale Repräsentation Lernen für die Klickrate-Vorhersage
- 2021 (Alibaba) (AAAI) [ANPP] aufmerksame neuronale Punktprozesse für die Ereignisprognose
- 2021 (Alibaba) (AAAI) [ES-DFM] Erfassen Sie verzögertes Feedback bei der Conversion-Rate-Vorhersage durch verstrichene Zeitabtastung
- 2021 (Alibaba) (CIKM) [Zeus] Selbster überprüftes Lernen über das spontane Verhalten der Benutzer für das Multi-Szenario-Ranking im E-Commerce
- 2021 (Alibaba) (KDD) [MGDSpr] Einbettungsbasierte Produktabrechnung in Taobao-Suche
- 2022 (Alibaba) (CIKM) [CLE-QR] -Anfrage-Umschreibung bei der Taobao-Suche
- 2022 (Alibaba) (CIKM) [MOPPR] Multi-Objektivpersonalisiertes Produkt-Abruf bei Taobao-Suche
- 2023 (Alibaba) (KDD) [ASMOL] Überdenken Sie die Rolle des Vorrangs im großflächigen E-Commerce-Suchsystem
