Impresionantes artículos de aprendizaje profundo para búsqueda, recomendación y publicidad industriales. Se centran en incrustación, coincidencia, clasificación (predicción CTR/CVR), clasificación posterior, modelo grande (recomendación generativa, LLM), transferencia de aprendizaje, aprendizaje por refuerzo, etc.
00_Incrustación
- 2013 (Google) (NIPS) [Word2vec] Representaciones distribuidas de palabras y frases y su composicionalidad
- 2014 (KDD) [DeepWalk] DeepWalk: aprendizaje en línea de representaciones sociales
- 2015 (WWW) [LINE] LINE Integración de redes de información a gran escala
- 2016 (KDD) [Node2vec] node2vec: aprendizaje de funciones escalables para redes
- 2017 (ICLR) [GCN] Clasificación semisupervisada con redes convolucionales de gráficos
- 2017 (KDD) [Struc2vec] struc2vec - Aprendizaje de representaciones de nodos a partir de identidad estructural
- 2017 (NIPS) [GraphSAGE] Aprendizaje de representación inductiva en gráficos grandes
- 2018 (Airbnb) (KDD) *[Inserción de Airbnb] Personalización en tiempo real mediante incrustaciones para la clasificación de búsqueda en Airbnb
- 2018 (Alibaba) (KDD) *[Alibaba Embedding] Recomendación de incorporación de productos básicos a escala de miles de millones para el comercio electrónico en Alibaba
- 2018 (ICLR) [GAT] Redes de atención gráfica
- 2018 (Pinterest) (KDD) *[PinSage] Graficar redes neuronales convolucionales para sistemas de recomendación a escala web
- 2018 (WSDM) [NetMF] Incrustación de red como factorización matricial: unificación de deepwalk, line, pte y node2vec
- 2019 (Alibaba) (KDD) *[GATNE] Aprendizaje de representación para redes heterogéneas multiplexadas atribuidas
01_Coincidencia
- 2013 (Microsoft) (CIKM) [DSSM] Aprendizaje de modelos semánticos estructurados profundos para búsqueda web utilizando datos de clics
- 2015 (KDD) [Cetro] Redes Inferiores de Productos Sustituibles y Complementarios
- 2016 (Google) (RecSys) **[Youtube DNN] Redes neuronales profundas para recomendaciones de YouTube
- 2018 (Alibaba) (KDD) * [TDM] Modelo profundo basado en árbol de aprendizaje para sistemas de recomendación
- 2018 (Pinterest) (KDD) *[PinSage] Graficar redes neuronales convolucionales para sistemas de recomendación a escala web
- 2019 (Alibaba) (CIKM) **[MIND] Red multiinterés con enrutamiento dinámico para recomendación en Tmall
- 2019 (Alibaba) (CIKM) *[SDM] SDM: modelo de coincidencia profunda secuencial para un sistema de recomendación en línea a gran escala
- 2019 (Alibaba) (NIPS) *[JTM] Optimización conjunta del índice basado en árboles y el modelo profundo para sistemas de recomendación
- 2019 (Amazon) (KDD) Búsqueda semántica de productos
- 2019 (Baidu) (KDD) *[MOBIUS] MOBIUS: hacia la próxima generación de concordancia de anuncios y consultas en la búsqueda patrocinada de Baidu
- 2019 (Google) (RecSys) **[Two-Tower] Modelado neuronal con corrección de sesgo de muestreo para recomendaciones de elementos de corpus grandes
- 2019 (Google) (WSDM) *[Top-K Off-Policy] Corrección de Top-K Off-Policy para un sistema de recomendación REINFORCE
- 2019 [Tencent] (KDD) Un sistema de minería de conceptos centrado en el usuario para consultas y comprensión de documentos en Tencent
- 2020 (Alibaba) (ICML) [OTM] Aprendizaje de modelos de árbol óptimos mediante búsqueda de haces
- 2020 (Alibaba) (KDD) *[ComiRec] Marco controlable de múltiples intereses para recomendación
- 2020 (Facebook) (KDD) **[Inserción para búsqueda de Facebook] Recuperación basada en incrustación en la búsqueda de Facebook
- 2020 (Google) (WWW) *[MNS] Muestreo negativo mixto para el aprendizaje de redes neuronales de dos torres en recomendaciones
- 2020 (JD) (CIKM) *[DecGCN] Red de convolución de gráficos desacoplados para inferir elementos sustituibles y complementarios
- 2020 (JD) (SIGIR) [DPSR] Hacia la recuperación semántica y personalizada: una solución de extremo a extremo para la búsqueda de comercio electrónico mediante el aprendizaje integrado
- 2020 (Microsoft) (Arxiv) TwinBERT: destilación de conocimientos en modelos BERT de doble estructura para una recuperación eficiente
- 2021 (Alibaba) (KDD) * [MGDSPR] Recuperación de productos basada en incrustación en la búsqueda de Taobao
- 2021 (Amazon) (KDD) Aprendizaje extremo de etiquetas múltiples para la coincidencia semántica en la búsqueda de productos
- 2021 (Bytedance) (Arxiv) [DR] Recuperación profunda: aprendizaje de una estructura recuperable para recomendaciones a gran escala
- 2022 (Alibaba) (CIKM) **[NANN] [二向箔] Búsqueda aproximada del vecino más cercano según la métrica de similitud neuronal para recomendación a gran escala
- 2022 (Alibaba) (CIKM) [CLE-QR] Reescritura de consultas en la búsqueda de TaoBao
- 2022 (Alibaba) **(CIKM) [MOPPR] Recuperación de productos personalizada multiobjetivo en la búsqueda de Taobao
- 2024 (Bytedance) (KDD) [Trinity] Trinity - Sincretización de intereses múltiples: de cola larga: a largo plazo, todo en uno
ANA
- 2017 (Arxiv) (Meta) [FAISS] Búsqueda de similitudes a escala de mil millones con GPU
- 2020 (PAMI) [HNSW] Búsqueda de vecino más cercano aproximada, eficiente y robusta utilizando gráficos jerárquicos navegables de mundos pequeños
- 2021 (TPAMI) [IVF-PQ] Cuantización de productos para búsqueda de vecino más cercano
Graph_Neural_Networks
- 2017 (ICLR) [GCN] Clasificación semisupervisada con redes convolucionales de gráficos
- 2018 (ICLR) [GAT] Redes de atención gráfica
- 2018 (Pinterest) (KDD) [PinSage] Gráfico de redes neuronales convolucionales para sistemas de recomendación a escala web
- 2019 (Alibaba) (KDD) [IntentGC] IntentGC: un marco de convolución de gráficos escalable que fusiona información heterogénea para recomendación
- 2019 (Alibaba) (KDD) [MEIRec] Red neuronal de gráficos heterogéneos guiados por metarutas para recomendación de intenciones
- 2019 (Alibaba) (SIGIR) [GIN] Red de intención gráfica para la predicción de la tasa de clics en búsquedas patrocinadas
- 2020 (Alibaba) (SIGIR) [ATBRG] ATBRG: red de gráficos relacionales de comportamiento objetivo adaptativo para una recomendación eficaz
02_Pre-clasificación
- 2020 (Alibaba) (DLP-KDD) [COLD] COLD - Hacia la próxima generación de sistemas de clasificación previa
- 2023 (Alibaba) (CIKM) [COPR] COPR: clasificación previa orientada a la coherencia para publicidad online
- 2023 (Alibaba) (KDD) [ASMOL] Repensar el papel de la clasificación previa en el sistema de búsqueda de comercio electrónico a gran escala
03_Clasificación
- 2014 (ADKDD) (Facebook) Lecciones prácticas de la predicción de clics en anuncios en Facebook
- 2016 (Google) (DLRS) **[Wide & Deep] Aprendizaje amplio y profundo para sistemas de recomendación
- 2016 (Google) (RecSys) **[Youtube DNN] Redes neuronales profundas para recomendaciones de YouTube
- 2018 (Alibaba) (KDD) **[DIN] Red de profundo interés para la predicción de la tasa de clics
- 2019 (Alibaba) (AAAI) **[DIEN] Red de evolución de interés profundo para la predicción de la tasa de clics
- 2019 (Facebook) (Arxiv) [DLRM] (Facebook) Modelo de recomendación de aprendizaje profundo para sistemas de personalización y recomendación, Facebook
- 2019 (Google) (Recsys) ** [Youtube Multi-tarea] Recomendar qué vídeo ver a continuación: un sistema de clasificación multitarea
- 2020 (Alibaba) (Arxiv) ** [SIM] Modelado de intereses del usuario basado en búsquedas con datos de comportamiento secuencial de por vida para la predicción de la tasa de clics
- 2020 (JD) (CIKM) **[DMT] Transformadores multifacéticos profundos para una clasificación multiobjetivo en sistemas de recomendación de comercio electrónico a gran escala
- 2020 (Tencent) (Recsys) ** [PLE] Extracción progresiva en capas (PLE): un novedoso modelo de aprendizaje multitarea (MTL) para recomendaciones personalizadas
- 2021 (Alibaba) (CIKM) * [ZEUS] Aprendizaje autosupervisado sobre los comportamientos espontáneos de los usuarios para la clasificación de múltiples escenarios en el comercio electrónico
- 2021 (Alibaba) (CIKM) [STAR] Un modelo para servir a todos: recomendador adaptativo de topología en estrella para predicción de CTR multidominio
- 2022 (Alibaba) (Arxiv) ** [ETA] Modelado eficiente de datos de usuario secuenciales largos para la predicción de la tasa de clics
- 2022 (Alibaba) (WSDM) Modelado de comentarios contextualizados por página de los usuarios para la predicción de la tasa de clics en la búsqueda de comercio electrónico
- 2022 (Meta) [DHEN] DHEN: una red de conjunto profunda y jerárquica para la predicción de la tasa de clics a gran escala
- 2022 (WWW) [FMLP] MLP mejorado con filtro es todo lo que necesita para la recomendación secuencial
- 2023 (Alibaba) (Arxiv) [ESLM] Marco de aprendizaje espacial completo: predicción imparcial de la tasa de conversión en las etapas completas del sistema de recomendación
- 2023 (Google) (Arxiv) En la fábrica: ingeniería de aprendizaje automático para modelos de recomendación de anuncios a escala industrial
- 2023 (Kuaishou) (Arixiv) [TWIN] TWIN: red de intereses de dos etapas para el modelado del comportamiento del usuario de por vida en la predicción de CTR en Kuaishou
- 2023 (Kuaishou) (KDD) [PEPNet] PEPNet: red personalizada de parámetros e integración para infundir información previa personalizada
- 2024 (Kuaishou) (CIKM) [TWINv2] TWIN V2: modelado de secuencia de comportamiento de usuario ultralargo escalable para una predicción de CTR mejorada en Kuaishou
- 2024 (Tencent) (KDD) [LCN] Modelado secuencial de por vida entre dominios para la predicción de la tasa de clics en línea
Clásico
- 2003 (Amazon) (IEEE) [CF] Recomendaciones de Amazon.com: filtrado colaborativo de artículo a artículo
- 2009 (Computadora) [MF] Técnicas de factorización matricial para sistemas de recomendación
- 2016 (ICLR) [GRU4Rec] Recomendaciones basadas en sesiones con redes neuronales recurrentes
- 2017 (Amazon) (IEEE) Dos décadas de sistemas de recomendación en Amazon.com
DNN
- 2019 (KDD) (Airbnb) Aplicación del aprendizaje profundo a la búsqueda de Airbnb
- 2020 (Airbnb) (KDD) Mejora del aprendizaje profundo para la búsqueda de Airbnb
Problema de retroalimentación retrasada
- 2008 (KDD) Clasificadores de aprendizaje a partir únicamente de datos positivos y sin etiquetar
- 2014 (Criteo) (KDD) [DFM] Modelado de comentarios retrasados en publicidad gráfica
- 2018 (Arxiv) [NoDeF] Un modelo de retroalimentación retardada no paramétrica para la predicción de la tasa de conversión
- 2019 (Twitter) (RecSys) Abordar la retroalimentación retrasada para la capacitación continua con redes neuronales en la predicción de CTR
- Modelo de retroalimentación retardada 2020 (AdKDD) con regresión binomial negativa para múltiples conversiones
- 2020 (JD) (IJCAI) [TS-DL] Un modelo basado en la atención para la predicción de la tasa de conversión con retroalimentación retrasada mediante calibración posterior al clic
- 2020 (SIGIR) [DLA-DF] Algoritmo de aprendizaje dual para conversiones retrasadas
- 2020 (WWW) [FSIW] Una corrección del cambio de retroalimentación en la predicción de tasas de conversión bajo retroalimentación retrasada
- 2021 (Alibaba) (AAAI) [ES-DFM] Captura de comentarios retrasados en la predicción de la tasa de conversión mediante muestreo de tiempo transcurrido
- 2021 (Alibaba) (AAAI) [ESDF] Modelado de retroalimentación retrasada para la predicción de la tasa de conversión de todo el espacio
- 2021 (Alibaba) (Arxiv) [Aplazar] Los negativos reales importan: capacitación continua con negativos reales para el modelado de retroalimentación retrasada
- 2021 (Google) (Arxiv) Manejo de muchas conversiones por clic en el modelado de comentarios retrasados
- 2021 (Tencent) (SIGIR) Modificación de recompensa contrafactual por recomendación de transmisión con comentarios retrasados
- 2022 (Alibaba) (WWW) [DEFUSE] Estimación asintóticamente imparcial para el modelado de retroalimentación retrasada mediante corrección de etiquetas
Cruce de características
- 2010 (ICDM) [FM] Máquinas de factorización
- 2013 (Google) (KDD) [LR] Predicción de clics en anuncios: una vista desde las trincheras
- 2016 (Arxiv) [PNN] Redes neuronales basadas en productos para la predicción de la respuesta del usuario
- 2016 (Criteo) (Recsys) [FFM] Máquinas de factorización con reconocimiento de campo para la predicción del CTR
- 2016 (ECIR) [FNN] Aprendizaje profundo sobre datos categóricos de campos múltiples: un estudio de caso sobre la predicción de la respuesta del usuario
- 2016 (KDD) [Deepintent] Deepintent - Aprendizaje de atenciones para publicidad online con redes neuronales recurrentes
- 2016 (Microsoft) (KDD) [Deep Crossing] Deep Crossing: modelado a escala web sin funciones combinatorias creadas manualmente
- 2017 (Google) (ADKDD) [DCN] Deep & CrossNetwork para predicciones de clics en anuncios
- 2017 (Huawei) (IJCAI) [DeepFM] DeepFM: una red neuronal basada en máquinas de factorización para la predicción de CTR
- 2017 (IJCAI) [AFM] Máquinas de factorización atencional que aprenden el peso de las interacciones de características a través de redes de atención
- 2017 (SIGIR) [NFM] Máquinas de factorización neuronal para análisis predictivo disperso
- 2017 (WWW) [NCF] Filtrado colaborativo neuronal
- 2018 (CVPR) * [SENet] Redes de compresión y excitación
- 2018 (Google) (WSDM) [Cruz latente] Cruz latente haciendo uso del contexto en sistemas de recomendación recurrentes
- 2018 (KDD) [xDeepFM] xDeepFM: combinación de interacciones de funciones explícitas e implícitas para sistemas de recomendación
- 2018 (TOIS) [PNN] Redes neuronales basadas en productos para la predicción de la respuesta del usuario a través de datos categóricos de múltiples campos
- 2019 (CIKM) ** [AutoInt] AutoInt: aprendizaje automático de interacción de funciones a través de redes neuronales autoatentas
- 2019 (Huawei) (WWW) [FGCNN] Generación de funciones mediante una red neuronal convolucional para la predicción de la tasa de clics
- 2019 (Sina) (Arxiv) [FAT-DeepFFM] FAT-DeepFFM - Máquina de factorización con reconocimiento de campo profundo y atenta al campo
- 2019 (Sina) (Recsys) [FiBiNET] FiBiNET: combina la importancia de las funciones y la interacción de funciones bilineales para la predicción de la tasa de clics
- 2019 (Tencent) (AAAI) [IFM] Máquinas de factorización conscientes de la interacción para sistemas de recomendación
- 2020 (Baidu) (KDD) [CAN] Red de atención combinada para publicidad en video de Baidu
- 2021 (Google) (WWW) * [DCN V2] DCN V2: red profunda y cruzada mejorada y lecciones prácticas para el aprendizaje a escala web para clasificar sistemas
- 2022 (Alibaba) (WSDM) * [CAN] CAN: red de acción conjunta de funciones para la predicción de la tasa de clics
- 2023 (CIKM) * [GDCN] Hacia una red cruzada más profunda, más ligera e interpretable para la predicción del CTR
- 2023 (Sina) (CIKM) [FiBiNet++] FiBiNet++: reducción del tamaño del modelo mediante la capa de interacción de características de rango bajo para la predicción de CTR
- 2023 (Sina) (CIKM) [MemoNet] MemoNet: memorización eficiente de todas las representaciones de características cruzadas a través de una red de libros de códigos multihash para la predicción de CTR
Modelado de secuencias a largo plazo
- 2019 (Alibaba) (KDD) [MIMN] Práctica sobre modelado de comportamiento de usuario secuencial largo para la predicción de la tasa de clics
- 2019 (Google) (WWW) Hacia un recomendador de mezclas neuronales para secuencias de usuarios dependientes de largo alcance
- 2020 (Alibaba) (Arxiv) ** [SIM] Modelado de intereses del usuario basado en búsquedas con datos de comportamiento secuencial de por vida para la predicción de la tasa de clics
- Reformador 2020 (ICLR): el transformador eficiente
- 2020 (SIGIR) [UBR4CTR] Recuperación del comportamiento del usuario para la predicción de la tasa de clics
- 2021 (Alibaba) (Arxiv) [ETA] Recuperación del comportamiento del usuario de un extremo a otro en el modelo de predicción de la tasa de clics
- 2022 (Alibaba) (Arxiv) ** [ETA] Modelado eficiente de datos de usuario secuenciales largos para la predicción de la tasa de clics
- 2022 (Meituan) (CIKM) [SDIM] El muestreo es todo lo que necesita para modelar comportamientos de usuario a largo plazo para la predicción de CTR
- 2023 (Kuaishou) (Arixiv) [TWIN] TWIN: red de intereses de dos etapas para el modelado del comportamiento del usuario de por vida en la predicción de CTR en Kuaishou
- 2023 (Kuaishou) (CIKM) [QIN] Red de interés de usuario predominante en consultas para clasificación de búsqueda a gran escala
- 2024 (Kuaishou) (CIKM) [TWINv2] TWIN V2: modelado de secuencia de comportamiento de usuario ultralargo escalable para una predicción de CTR mejorada en Kuaishou
- 2024 (Tencent) (KDD) [LCN] Modelado secuencial de por vida entre dominios para la predicción de la tasa de clics en línea
Pérdida
- 2024 (Tencent) (KDD) Comprensión de la pérdida de clasificación por recomendación con escasos comentarios de los usuarios
- 2024 (Tencent) (KDD) [BBP] Más allá de la preferencia binaria: aprovechamiento de los enfoques bayesianos para la optimización conjunta de la clasificación y la calibración
Multimodal
- 2018 (Alibaba) (CIKM) [Image CTR] Image Matters: modelado visual del comportamiento del usuario mediante Advanced Model Server
- 2020 (Alibaba) (WWW) [MARN] Aprendizaje de representación multimodal adversario para la predicción de la tasa de clics
Multidominio-Multi-Escenario
- 2014 (TASLP) * [LHUC] Contribuciones de unidades ocultas de aprendizaje para la adaptación de modelos acústicos no supervisados
- 2015 (Microsoft) (WWW) Un enfoque de aprendizaje profundo de múltiples vistas para el modelado de usuarios entre dominios en sistemas de recomendación
- 2018 (Google) (KDD) ** [MMoE] Modelado de relaciones entre tareas en el aprendizaje multitarea con una combinación de expertos de múltiples puertas
- 2019 (Alibaba) (CIKM) [WE-CAN] Red de atención entre dominios con regularizadores de Wasserstein para búsqueda de comercio electrónico
- 2020 (Alibaba) (Arxiv) [SAML] Enfoque basado en escenarios y mutuo para la recomendación de múltiples escenarios en el comercio electrónico
- 2020 (Alibaba) (CIKM) [HMoE] Mejora del aprendizaje en múltiples escenarios para clasificar en el comercio electrónico mediante la explotación de las relaciones entre tareas en el espacio de las etiquetas
- 2020 (Alibaba)(CIKM) [MiNet] MiNet: red de interés mixto para la predicción de la tasa de clics entre dominios
- 2020 (Tencent) (Recsys) ** [PLE] Extracción progresiva en capas (PLE): un novedoso modelo de aprendizaje multitarea (MTL) para recomendaciones personalizadas
- 2021 (Alibaba) (CIKM) * [ZEUS] Aprendizaje autosupervisado sobre los comportamientos espontáneos de los usuarios para la clasificación de múltiples escenarios en el comercio electrónico
- 2021 (Alibaba) (CIKM) ** [STAR] Un modelo para servir a todos: recomendador adaptativo de topología estelar para predicción de CTR multidominio
- 2022 (Alibaba) (CIKM) AdaSparse: aprendizaje de estructuras dispersas de forma adaptativa para la predicción de la tasa de clics en múltiples dominios
- 2022 (Alibaba) (NIPS) ** [APG] APG: red de generación de parámetros adaptativos para la predicción de la tasa de clics
- 2023 (Alibaba) (CIKM) [HC2] Restricciones contrastivas híbridas para la clasificación de anuncios en múltiples escenarios
- 2023 (Alibaba) (CIKM) [MMN] Red multidominio enmascarada: predicción de la tasa de conversión de múltiples tipos y escenarios con un solo modelo
- 2023 (Alibaba) (CIKM) [Rec4Ad] Rec4Ad: un almuerzo gratuito para mitigar el sesgo de selección de muestras para la predicción del CTR de anuncios en Taobao
- 2023 (Alibaba) (SIGIR) [MARIA] Clasificación de escenarios múltiples con aprendizaje de funciones adaptativas
- 2023 (CIKM) [HAMUR] HAMUR - Hiperadaptador para recomendación multidominio
- 2023 (Huawei) (CIKM) [DFFM] DFFM: modelado de funciones facilitado por el dominio para la predicción de CTR
- 2023 (Kuaishou) (KDD) * [PEPNet] PEPNet: red personalizada de parámetros e integración para infundir información previa personalizada
- 2023 (Tencent) (KDD) Interacción de funciones adaptables al escenario para la predicción de la tasa de clics
- 2024 (Alibaba) (CIKM) * [MultiLoRA] MultiLoRA: adaptación multidireccional de bajo rango para recomendación multidominio
- 2024 (Alibaba) (RecSys) * [MLoRA] MLoRA: red adaptable multidominio de bajo rango para predicción de tasa de clics
- 2024 (Kuaishou) (SIGIR) [M3oE] M3oE - Marco de recomendación de combinación de expertos multitarea y multidominio
- 2024 (Tencent) (KDD) [LCN] Modelado secuencial de por vida entre dominios para la predicción de la tasa de clics en línea
- 2024 (WSDM) Exploración del aprendizaje por transferencia basado en adaptadores para sistemas de recomendación: estudios empíricos y conocimientos prácticos
Multitarea
- (2018) (ICML) GradNorm: normalización de gradiente para el equilibrio de pérdidas adaptativo en redes multitarea profundas
- 2014 (TASLP) [LHUC] Contribuciones de unidades ocultas de aprendizaje para la adaptación de modelos acústicos no supervisados
- 2017 (Google) (ICLR) [MOE con acceso disperso] Redes neuronales escandalosamente grandes: la capa de mezcla de expertos con acceso disperso
- 2018 (Alibaba) (KDD) [DUPN] Perciba a sus usuarios en profundidad: aprenda representaciones universales de usuarios a partir de múltiples tareas de comercio electrónico
- 2018 (Alibaba) (SIGIR) [ESMM] Modelo multitarea de espacio completo: un enfoque eficaz para estimar la tasa de conversión post-clic
- 2018 (CVPR) Aprendizaje multitarea utilizando la incertidumbre para sopesar las pérdidas en geometría y semántica de escenas
- 2018 (Google) (KDD) ** [MMoE] Modelado de relaciones entre tareas en el aprendizaje multitarea con una combinación de expertos de puertas múltiples
- 2019 (Alibaba) (CIKM) Predicciones de ventas basadas en tareas múltiples para promociones en línea
- 2019 (Alibaba) (Recys) Un algoritmo eficiente en Pareto para la optimización de múltiples objetivos en la recomendación del comercio electrónico
- 2019 (Google) (AAAI) Enrutamiento de subred SNR para compartir parámetros flexibles en el aprendizaje multitarea
- 2019 (Google) (Recsys) ** [Youtube Multi-tarea] Recomendar qué vídeo ver a continuación: un sistema de clasificación multitarea
- 2019 (NIPS) Aprendizaje multitarea de Pareto
- 2020 (Alibaba) (SIGIR) [ESM2] Modelado multitarea de todo el espacio mediante descomposición del comportamiento posterior al clic para la predicción de la tasa de conversión
- 2020 (Alibaba) (WWW) Enfoques causales a gran escala para desviar la estimación de la tasa de conversión post-clic con aprendizaje multitarea
- 2020 (Amazon) (WWW) Optimización de clasificación multiobjetivo para la búsqueda de productos mediante agregación estocástica de etiquetas
- 2020 (Google) (KDD) [MoSE] Combinación multitarea de expertos secuenciales para flujos de actividad del usuario
- 2020 (JD) (CIKM) *[DMT] Transformadores multifacéticos profundos para una clasificación multiobjetivo en sistemas de recomendación de comercio electrónico a gran escala
- 2020 (Tencent) (Recsys) ** [PLE] Extracción progresiva en capas (PLE): un novedoso modelo de aprendizaje multitarea (MTL) para recomendaciones personalizadas
- 2021 (Alibaba) (SIGIR) [HM3] Modelado jerárquico de comportamientos micro y macro mediante aprendizaje multitarea para la predicción de la tasa de conversión
- 2021 (Alibaba) (SIGIR) [MSSM] MSSM: un modelo de intercambio disperso de múltiples niveles para un aprendizaje multitarea eficiente
- 2021 (Baidu) (SIGIR) [GemNN] GemNN: redes neuronales multitarea mejoradas con activación con aprendizaje de interacción de funciones para la predicción de CTR
- 2021 (Google) (Arxiv) [DSelect-k] Selección diferenciable DSelect-k en la mezcla de expertos con aplicaciones al aprendizaje multitarea
- 2021 (Google) (ICLR) Transformadores HyperGrid: hacia un modelo único para múltiples tareas
- 2021 (Google) (KDD) Comprender y mejorar las compensaciones entre equidad y precisión en el aprendizaje multitarea
- 2021 (JD) (ICDE) Mezcla adversaria de expertos con restricción suave de jerarquía de categorías
- 2021 (Kwai) (Arxiv) [POSO] POSO: módulos de arranque en frío personalizados para sistemas de recomendación a gran escala
- 2021 (Meituan) (KDD) Modelado de la dependencia secuencial entre conversiones de varios pasos de audiencia con aprendizaje multitarea en publicidad gráfica dirigida
- 2021 (Tencent) (Arxiv) Combinación de expertos en kernel virtual para el modelado de perfiles de usuario multiobjetivo
- 2021 (Tencent) (WWW) Recomendación personalizada aproximada con eficiencia de Pareto
- 2022 (Google) (WWW) ¿Pueden ayudar las cabezas pequeñas? Comprender y mejorar la generalización de tareas múltiples
- 2023 (Airbnb) (KDD) Optimización del viaje de búsqueda de Airbnb con aprendizaje multitarea
- 2023 (Alibaba) (CIKM) [DTRN] Red de representación inferior específica de tareas profundas para recomendación de tareas múltiples
- 2023 (Google) (CIKM) Sistema de clasificación multitarea para feeds inmersivos y sin más clics: un estudio de caso de recomendación de videos de formato corto
- 2023 (Google) (KDD) Mejora de la estabilidad del entrenamiento para modelos de clasificación multitarea en sistemas de recomendación
- 2023 (Meta) (KDD) AdaTT: red de fusión adaptativa de tarea a tarea para el aprendizaje multitarea en recomendaciones
- 2024 (Airbnb) (KDD) Aprendizaje multiobjetivo para clasificar por destilación de modelos
- 2024 (Kuaishou) (KDD) [GradCraft] GradCraft: mejora de las recomendaciones de tareas múltiples mediante la elaboración de gradientes holísticos
- 2024 (Kuaishou) [HoME] HoME - Jerarquía de expertos en puertas múltiples para el aprendizaje multitarea en Kuaishou
- 2024 (Shopee) (KDD) [ResFlow] Estudiante multitarea residual para clasificación aplicada
- 2024 (Tencent) (KDD) [STEM] Recomendación de anuncios en un mundo colapsado y enredado
Pre-entrenamiento
- 2019 (Alibaba) (IJCAI) [DeepMCP] Predicción de la tasa de clics asistida por aprendizaje de representación
- 2019 (SIGIR) [BERT4Rec] (Alibaba) (SIGIR2019) BERT4Rec: recomendación secuencial con representaciones de codificador bidireccional desde transformador
Modelado de secuencias
- 2016 (Google) (RecSys) **[Youtube DNN] Redes neuronales profundas para recomendaciones de YouTube
- 2017 (Google) (NIPS) ** Atención es todo lo que necesita
- 2018 (Alibaba) (KDD) **[DIN] Red de profundo interés para la predicción de la tasa de clics
- 2018 (Alibaba) (KDD) [DUPN] Perciba a sus usuarios en profundidad: aprenda representaciones universales de usuarios a partir de múltiples tareas de comercio electrónico
- 2019 (Alibaba) (AAAI) **[DIEN] Red de evolución de interés profundo para la predicción de la tasa de clics
- 2019 (Alibaba) (IJCAI) [DSIN] Red de interés de sesión profunda para la predicción de la tasa de clics
- 2019 (Alibaba) (KDD) [BST] Transformador de secuencia de comportamiento para recomendación de comercio electrónico en Alibaba
- 2019 (Alibaba) (KDD) [DSTN] Redes neuronales espacio-temporales profundas para la predicción de la tasa de clics
- 2019 (Alibaba) (WWW) [TiSSA] TiSSA: un enfoque de autoatención en intervalos de tiempo para modelar comportamientos secuenciales de usuarios
- 2019 (Tencent) (KDD) [RALM] Modelo similar basado en atención en tiempo real para sistema de recomendación
- 2020 (Alibaba) (SIGIR) [DHAN] Profundo interés con una red de atención jerárquica para la predicción de la tasa de clics
- 2020 (Google) (KDD) [Google Drive] Mejora de la calidad de las recomendaciones en Google Drive
- 2020 (JD) (CIKM) **[DMT] Transformadores multifacéticos profundos para una clasificación multiobjetivo en sistemas de recomendación de comercio electrónico a gran escala
- 2020 (JD) (NIPS) [KFAtt] Atención de filtrado de Kalman para modelado del comportamiento del usuario en la predicción de CTR
- 2020 (JD) (WSDM) [HUP] Perfiles de usuario jerárquicos para sistemas de recomendación de comercio electrónico
- 2022 (Alibaba) (WSDM) Modelado de comentarios contextualizados por página de los usuarios para la predicción de la tasa de clics en la búsqueda de comercio electrónico
- 2022 (JD) (WWW) Modelado implícito de conciencia del usuario a través de elementos candidatos para la predicción del CTR en anuncios de búsqueda
- 2023 (JD) (CIKM) [IUI] IUI: modelado de intereses del usuario mejorado por intención para la predicción de la tasa de clics
- 2023 (Meituan) (CIKM) [DCIN] Red de interés de contexto profundo para la predicción de la tasa de clics
- 2023 (Pinterest) (KDD) TransAct: modelo de acción de usuario en tiempo real basado en transformador para recomendación en Pinterest
Desencadenar
- 2022 (Alibaba) (WWW) Red destacada de gran interés para la predicción de la tasa de clics en la recomendación inducida por activadores
04_Post-ranking
- 1998 (SIGIR) ** [MRR] El uso de MMR, reclasificación basada en la diversidad para reordenar documentos y producir resúmenes
- 2005 (WWW) Mejora de las listas de recomendaciones mediante la diversificación de temas
- 2008 (SIGIR) [α-NDCG] Novedad y diversidad en la evaluación de la recuperación de información
- 2009 (Microsoft) (WSDM) Diversificación de los resultados de búsqueda
- 2010 (WWW) Explotación de las reformulaciones de consultas para la diversificación de los resultados de búsqueda web
- 2016 (Amazon) (RecSys) Diversidad adaptativa y personalizada para el descubrimiento visual
- 2017 (Hulu) (NIPS) [DPP] Inferencia MAP rápida y codiciosa para el proceso de puntos determinantes para mejorar la diversidad de recomendaciones
- 2018 (Alibaba) (IJCAI) Clasificación mundialmente optimizada de conciencia de influencia mutua en la búsqueda de comercio electrónico
- 2018 (Alibaba) (IJCAI) [Alibaba GMV] Clasificación globalmente optimizada de conciencia de influencia mutua en la búsqueda de comercio electrónico
- 2018 (Google) (CIKM) [DPP] Recomendaciones prácticas diversificadas en YouTube con procesos de puntos determinantes
- 2018 (SIGIR) [DLCM] Aprendizaje de un modelo de contexto de lista profunda para el refinamiento de la clasificación
- 2019 (Alibaba) (WWW) [RL basado en valor] Recomendación consciente del valor basada en la maximización de ganancias de refuerzo
- 2019 (Alibaba) (KDD) [GAttN] Recomendación Exact-K mediante optimización de camarilla máxima
- 2019 (Alibaba) (RecSys) ** [PRM] Reclasificación personalizada para recomendación
- 2019 (Google) (Arxiv) Aprendizaje por refuerzo para sistemas de recomendación basados en pizarra: una descomposición manejable y una metodología práctica
- 2019 (Google) (Arxiv) Seq2slate: reclasificación y optimización de pizarra con rnns
- 2019 (Google) (IJCAI) [SlateQ] SLATEQ: una descomposición manejable para el aprendizaje por refuerzo con conjuntos de recomendaciones
- 2019 (Google) (WSDM) [Top-K Off-Policy] Corrección Top-K Off-Policy para un sistema de recomendación REINFORCE
- 2020 (Airbnb) (KDD) Gestión de la diversidad en la búsqueda de Airbnb
- 2020 (Alibaba) (CIKM) [EdgeRec] EdgeRec: sistema de recomendación en Edge en Mobile Taobao
- 2020 (Huawei) (Arxiv) Reclasificación personalizada para mejorar la diversidad en los sistemas de recomendación en vivo
- 2021 (Alibaba) (Arxiv) [PRS] Revisar el sistema de recomendación en la perspectiva de permutación
- 2021 (Google) (WSDM) Modelos de respuesta del usuario para mejorar un sistema de recomendación REINFORCE
- 2021 (Microsoft) ¡Diversidad sobre la marcha! Transmisión de procesos de puntos determinantes bajo un objetivo de máxima cardinalidad inducida
- 2023 (Amazon) (KDD) RankFormer: aprendizaje de clasificación por listas mediante etiquetas en toda la lista
- 2023 (Meituan) (KDD) PIER: marco de reclasificación de extremo a extremo basado en intereses a nivel de permutación en el comercio electrónico
- 2024 (Kuaishou) (KDD) [NAR4Rec] Modelos generativos no autorregresivos para recomendación de reclasificación
Seq2Pizarra
- 2015 (Google) (Arxiv) Aprendizaje por refuerzo profundo en grandes espacios de acción discretos
- 2015 (Google) (Arxiv) Aprendizaje por refuerzo profundo con atención para procesos de decisión de Slate Markov con estados y acciones de alta dimensión
- 2017 (KDD) [DCM] Modelo de elección profunda que utiliza redes de punteros para la predicción de itinerarios de aerolíneas
- 2018 (Microsoft) (EMNLP) [RL4NMT] Un estudio de aprendizaje por refuerzo para la traducción automática neuronal
- 2019 (Google) (Arxiv) Seq2slate: reclasificación y optimización de pizarra con rnns
05_Relevancia
- 2020 (ICLR) [StructBERT] StructBERT: incorporación de estructuras del lenguaje en la capacitación previa para una comprensión profunda del lenguaje
- 2021 (Alibaba) (WWW) Aprenda un modelo de relevancia del producto a partir de datos de clics en el comercio electrónico
- 2023 (Meituan) (CIKM) [SPM] SPM: arquitecturas de combinación y preentrenamiento estructurado para el modelado de relevancia en la búsqueda de Meituan
06_Cascada
- 2023 (Alibaba) (CIKM) [COPR] COPR: clasificación previa orientada a la coherencia para publicidad online
- 2023 (Alibaba) (KDD) [ASMOL] Repensar el papel de la clasificación previa en el sistema de búsqueda de comercio electrónico a gran escala
07_Modelo_grande
- 2019 (CIKM) [AutoInt] AutoInt: aprendizaje automático de interacción de funciones a través de redes neuronales autoatentas
- 2020 (Arxiv) Leyes de escala para modelos de lenguaje neuronal
- 2022 (Arxiv) (Meta) DHEN: una red de conjunto profunda y jerárquica para la predicción de la tasa de clics a gran escala
- 2024 (Arxiv) (Bytedance) [HLLM] HLLM: mejora de recomendaciones secuenciales mediante modelos jerárquicos de lenguaje grande para el modelado de elementos y usuarios
- 2024 (Arxiv) ** (Meta) [GR] Las acciones hablan más que las palabras: transductores secuenciales de billones de parámetros para recomendaciones generativas
- 2024 (PMLR) (Meta) [Wukong] Wukong - Hacia una ley de escala para recomendaciones a gran escala
CV
- 2014 (ICML) [VAE] Bayes variacionales de codificación automática
- 2014 (NIPS) [GAN] Redes generativas de confrontación
- 2017 (NIPS) [VQ-VAE] Aprendizaje de representación discreta neuronal
- 2020 (NIPS) [Difusión] Modelos probabilísticos de difusión y eliminación de ruido
Aprendizaje_profundo
- 2012 (NIPS) [CNN] Clasificación de ImageNet con redes neuronales convolucionales profundas
- 2014 (JMLR) [Abandono] Abandono: una forma sencilla de evitar el sobreajuste de las redes neuronales
- 2015 (Google) (JMLR) [BatchNorm] Normalización de lotes: aceleración del entrenamiento profundo de la red reduciendo el cambio de covariables interno
- 2015 (OpenAI) (ICLR) [Adam] Adam: un método para la optimización estocástica
- 2016 (CVPR) [ResNet] Aprendizaje residual profundo para el reconocimiento de imágenes
- 2016 (OpenAI) (NIPS) [Norma de peso] Normalización del peso: una reparametrización simple para acelerar el entrenamiento de redes neuronales profundas
- 2017 (Arxiv) [LayerNorm] Normalización de capas
- 2017 (Google) (NIPS) [Transformer] Todo lo que necesitas es atención
LLM
- 2013 (Google) (NIPS) [Word2vec] Representaciones distribuidas de palabras y frases y su composicionalidad
- 2014 (Google) (NIPS) [Seq2Seq] Aprendizaje secuencia a secuencia con redes neuronales
- 2017 (Google) (NIPS) [Transformer] Todo lo que necesitas es atención
- 2017 (OpenAI) (NIPS) [RLHF] Aprendizaje por refuerzo profundo a partir de las preferencias humanas
- 2018 (OpenAI) (Arxiv) [GPT] Mejora de la comprensión del lenguaje mediante capacitación previa generativa
- 2019 (Google) (NAACL) [Bert] BERT: capacitación previa de transformadores bidireccionales profundos para la comprensión del lenguaje
- 2019 (OpenAI) (Arxiv) [GPT2] Los modelos de lenguaje son estudiantes multitarea sin supervisión
- 2020 (Arxiv) Leyes de escala para modelos de lenguaje neuronal
- 2020 (OpenAI) (Arxiv) [GPT3] Los modelos de lenguaje son aprendices de pocas oportunidades
- 2021 (Microsoft) (Arxiv) [LoRA] LoRA: adaptación de bajo rango de modelos de lenguaje grandes
- 2022 (Google) (JMLR) [SwitchTransfomers] Transformadores de conmutación: escalamiento a billones de modelos de parámetros con escasez simple y eficiente
- 2022 (Google) (NIPS) [ChainOfThought] La cadena de pensamiento provoca el razonamiento en modelos de lenguaje grandes
- 2022 (Google) (TMLR) [Emergente] Habilidades emergentes de modelos de lenguaje grandes
- 2022 (OpenAI) (Arxiv) [InstructGPT] Entrenamiento de modelos de lenguaje para seguir instrucciones con retroalimentación humana
- 2023 (Meta) (Arxiv) [LLaMA] LLaMA - Modelos de lenguaje básico abiertos y eficientes
- 2023 (OpenAI) (Arxiv) [GPT4] Informe técnico de GPT-4
MOE
- 2017 (Google) (ICLR) [MOE con acceso disperso] Redes neuronales escandalosamente grandes: la capa de mezcla de expertos con acceso disperso
- 2018 (Google) (KDD) ** [MMoE] Modelado de relaciones entre tareas en el aprendizaje multitarea con una combinación de expertos de puertas múltiples
- 2022 (Google) (JMLR) [SwitchTransfomers] Transformadores de conmutación: escalamiento a billones de modelos de parámetros con escasez simple y eficiente
- 2022 (Meta) (EMNLP) Modelado de lenguaje eficiente a gran escala con mezclas de expertos
- 2024 (Google) (ICLR) De mezclas escasas a suaves de expertos
Multimodal
- 2020 (Google) (ICLR) [ALBERT] ALBERT: un BERT ligero para el aprendizaje autosupervisado de representaciones lingüísticas
- 2021 (Google) (ICLR) [VIT] Una imagen vale 16 x 16 palabras: transformadores para el reconocimiento de imágenes a escala
- 2021 (OpenAI) (ICML) [clip] Aprender modelos visuales transferibles a partir de supervisión del lenguaje natural
Auto_supervised_learning
- 2020 (Alibaba) (AAAAI) [DMR] Pareja profunda para clasificar el modelo para la predicción de tasa de clics personalizada
- 2020 (Alibaba) (CIKM) [Bert4Rec] Bert4Rec - Recomendación secuencial con representaciones de codificador bidireccional desde Transformer
- 2020 (Alibaba) (KDD) Desenglido auto-supervisión en recomendadores secuenciales
- 2020 (ARXIV) Userbert - Learning de representación de usuario auto -supervisado
- 2020 (ARXIV) [SGL] Aprendizaje de gráficos auto-supervisado para recomendación
- 2020 (CIKM) [S3REC] S3-REC-Aprendizaje auto-supervisado para recomendación secuencial con maximización de la información mutua
- 2020 (EMNLP) [PTUM] PTUM-Modelo de usuario previo al entrenamiento de comportamientos de usuario no etiquetados a través de auto-supervisión
- 2020 (SIGIR) Aprendizaje de refuerzo auto-supervisado para sistemas de recomendación
- 2020 (Xiangnan HE) (ARXIV) Aprendizaje gráfico auto-supervisado para recomendación
- 2021 (Alibaba) (ARXIV) [CLREC] Aprendizaje contrastante para la generación de candidatos debiables en sistemas de recomendación a gran escala
- 2021 (Alibaba) (CIKM) * [ZEUS] Aprendizaje auto-supervisado en los comportamientos espontáneos de los usuarios para la clasificación multi-escenaria en comercio electrónico
- 2021 (Alibaba) (WWW) Pretruación contrastante para la recomendación secuencial
- 2021 (Google) (CIKM) Aprendizaje auto-supervisado para recomendaciones de artículos a gran escala
- 2021 (WSDM) [PROP] PROP-PRESTRAINE PREDICCIÓN PREDICCIÓN DE PALABRAS Representantes para la recuperación ad-hoc
08_transfer_learning
- 2014 (Google) (NIPS) [Destilación de Knoledge] Destila el conocimiento en una red neuronal
- 2015 (ICLR) [FitNets] FitNets - Sugerencias para redes profundas delgadas
- 2018 (Alibaba) (AAAAI) [Rocket] Rocket Lanzamiento: un marco universal y eficiente para entrenar una red de luz bien realizada
- 2018 (KDD) [destilación de clasificación] Destilación de clasificación: aprendizaje de modelos de clasificación compacta con alto rendimiento para el sistema de recomendación
- Destilación de conocimiento de 2019 (ICCV) [RCO] a través de la optimización restringida de ruta
- 2020 (Alibaba) (KDD) *[Características privilegiadas Destilación] Características privilegiadas Destilación en las recomendaciones de Taobao
Intermedio
- 2015 (Microsoft) (www) Un enfoque de aprendizaje profundo de múltiples vistas para modelado de usuarios de dominio cruzado en sistemas de recomendaciones
- Entrenamiento de dominio de 2016 (JMLR) de redes neuronales
- 2018 (CIKM) CONET - Collaborative Cross Networks para recomendación de dominio cruzado
- 2019 (Alibaba) (CIKM) [WE-CAN] Red de atención de dominio cruzado con regularizadores de Wasserstein para búsqueda de comercio electrónico
- 2019 (Alibaba) (KDD) [MGTL] Un juego Minimax por ejemplo Learning Based Selective Transfer Learning
- DTCDR 2019 (CIKM): un marco para la recomendación de dominio cruzado de doble objetivo
- 2020 (Alibaba) (CIKM) [Minet] Minet-Red de interés mixto para la predicción de la tasa de clics de dominio cruzado
- 2020 (WSDM) DDTCDR - Recomendación de dominio cruzado de transferencia dual profunda
Meta-learning
- 2019 (Alibaba) (KDD) [S_2META] META ARRIVER META SECUBLIENTE ESPECÍTICO PARA RECOMENDACIÓN EN LÍNE
- 2020 (Kuaishou) (SIGIR) [SML] ¿Cómo se vuelve a entrenar el sistema de recomendación? Un método secuencial de meta-learning
Transferir
- 2018 (CVPR) Parametrización eficiente de redes neuronales profundas de dominio múltiple
- Aprendizaje de transferencia de parámetros de 2019 (ICML) para PNL
- 2020 (TENCENT) (SIGIR) [PETERREC] Transferencia eficiente de parámetros de comportamientos secuenciales para modelado y recomendación de usuarios
09_Reinforcion_learning
- 2010 (Yahoo) (www) [LINUCB] Un enfoque contextual para el cuerpo para la recomendación del artículo de noticias personalizados
- 2018 (Alibaba) (KDD) Refuerzo de refuerzo Aprender a clasificarse en formalización, análisis y aplicación del motor de búsqueda de comercio electrónico
- 2018 (Spotify) (RECSYS) [Spotify Bandit] Explore, explotan y explica recomendaciones explicables con bandidos con bandidos
- 2018 [Microsoft] (www) [DRN] DRN - Un marco de aprendizaje de refuerzo profundo para la recomendación de noticias
- 2019 (Alibaba) (WWW) [HRL] agregando resultados de búsqueda de comercio electrónico de fuentes heterogéneas a través del aprendizaje de refuerzo jerárquico
- 2019 (Google) (IJCAI) *[Slateq] Slateq - Una descomposición manejable para el aprendizaje de refuerzo con conjuntos de recomendaciones
- 2019 (Google) (WSDM) *Corrección fuera de la política Top-K [Top-K] para un sistema de reflexión de recomendación de refuerzo
- 2019 (JD) (KDD) [FEEFREC] Aprendizaje de refuerzo para optimizar la participación del usuario a largo plazo en sistemas de recomendación
- 2019 (Sigweb) Aprendizaje de refuerzo profundo para la búsqueda, recomendación y publicidad en línea: una encuesta
- 2020 (Bytedance) (KDD) [RAM] Aprender conjuntamente para recomendar y anunciar
- 2020 (JD) (SIGIR) [NICF] Filtrado colaborativo interactivo neuronal
Conferencia
KDD2023
- 2023 (Airbnb) (KDD) Optimización del viaje de búsqueda de Airbnb con aprendizaje de tareas múltiples
- 2023 (Alibaba) (KDD) Captura de la fluctuación de la tasa de conversión durante las promociones de ventas: un nuevo enfoque de reutilización de datos históricos
- 2023 (Amazon) (KDD) Rankformer-Listwise Learning To Rank utilizando etiquetas de Listswide
- 2023 (Baidu) (KDD) Aprendizaje de representaciones de documentos discretos en la búsqueda web
- 2023 (Baidu) (KDD) S2phere-Pre-entrenamiento semi-supervisado para la búsqueda web sobre el aprendizaje heterogéneo para clasificar los datos
- 2023 (Google) (KDD) Mejora de la estabilidad de capacitación para modelos de clasificación multitarea en sistemas de recomendación
- Modelo de regresión progresiva basado en el árbol 2023 (Kuaishou) (KDD) para la predicción del tiempo de vigilancia en la recomendación de videos cortos
- 2023 (Kuaishou) (KDD) [PEPNET] PEPNET - Parámetro e integración de red personalizada para infundir con información previa personalizada
- 2023 (Meituan) (KDD) Pier-Marco de re-rango de extremo a rango de extremo a nivel de nivel de permutación en comercio electrónico
- 2023 (meta) (KDD) ADATT-Red de fusión de tareas adaptativas para tareas para el aprendizaje multitarea en recomendaciones
- Unifier 2023 (Microsoft) (KDD) - Un retriever unificado para la recuperación a gran escala
- 2023 (Pinterest) (KDD) Transactor - Modelo de acción del usuario real basado en transacciones para recomendación en Pinterest
- 2023 (Tencent) (KDD) Recuperación de incrustación binaria en Tencent
- 2023 (Tencent) (KDD) CT4REC - Capacitación de consistencia simple pero efectiva para recomendación secuencial
- 2023 (Tencent) (KDD) Interacción de características adaptativas para el escenario para la predicción de la tasa de clics
KDD2024
- 2024 (Airbnb) (KDD) Aprendizaje de objetivos múltiples para clasificar por destilación modelo
- 2024 (Bytedance) (KDD) [Trinidad] Trinidad-Sincretización Multi-: cola larga: intereses a largo plazo todo en uno
- 2024 (Kuaishou) (KDD) [Gradcraft] Gradcraft - Elevación de recomendaciones de tareas múltiples a través de la artesanía de gradiente holístico
- 2024 (Kuaishou) (KDD) [NAR4REC] Modelos generativos no autorregresivos para la recomendación de relevar
- 2024 (Shopee) (KDD) [RESFLOW] Alumno de tareas residual para clasificación aplicada
- 2024 (Tencent) (KDD) Comprensión de la pérdida de clasificación para recomendación con comentarios de los usuarios escasos
- 2024 (Tencent) (KDD) [BBP] Más allá de la preferencia binaria: aprovechando los enfoques bayesianos para la optimización conjunta de la clasificación y la calibración
- 2024 (Tencent) (KDD) [LCN] modelado secuencial de toda la vida de dominio para la predicción de la tasa de clics en línea
- 2024 (Tencent) (KDD) [STEM] Recomendación de anuncios en un mundo colapsado y enredado
Corporación
Google
- 2014 (Google) (NIPS) [Destilación de Knoledge] Destila el conocimiento en una red neuronal
- 2015 (Google) (ARXIV) Aprendizaje de refuerzo profundo en grandes espacios de acción discretos
- 2015 (Google) (ARXIV) Aprendizaje de refuerzo profundo con atención para los procesos de decisión de Slate Markov con estados y acciones de alta dimensión
- 2016 (Google) (DLRS) ** [amplio y profundo] Aprendizaje de ancho y profundo para sistemas de recomendación
- 2016 (Google) (Recsys) ** [YouTube DNN] Redes neuronales profundas para recomendaciones de YouTube
- 2017 (Google) (ICLR) [MOE escasamente activado] redes neuronales escandalosamente grandes: la capa de mezcla de expertos escasamente.
- 2018 (Google) (CIKM) [DPP] Recomendaciones prácticas diversificadas en YouTube con procesos de puntos determinantes
- 2018 (Google) (KDD) [MMOE] Relaciones de tareas de modelado en aprendizaje de tareas múltiples con mezcla de múltiples gastos de gasolina
- 2019 (Google) (ARXIV) SEQ2SLATE - Re -rango y optimización de pizarra con RNNS
- 2019 (Google) (IJCAI) *[Slateq] Slateq - Una descomposición manejable para el aprendizaje de refuerzo con conjuntos de recomendaciones
- 2019 (Google) (IJCAI) [Slateq] Slateq - Una descomposición manejable para el aprendizaje de refuerzo con conjuntos de recomendaciones
- 2019 (Google) (RECSYS) [YouTube multitarea] Recomendar qué video ver a continuación - un sistema de clasificación multitarea
- 2019 (Google) (WSDM) *Corrección fuera de la política Top-K [Top-K] para un sistema de reflexión de recomendación de refuerzo
- 2020 (Google) (ARXIV) Aprendizaje auto-supervisado para recomendaciones de artículos a gran escala
- 2020 (Google) (KDD) [Google Drive] Mejora de la calidad de recomendación en Google Drive
- 2020 (Google) (KDD) [Mose] Múltiple mezcla multitarea de expertos secuenciales para flujos de actividad del usuario
Jdrecsys
- 2020 (JD) (CIKM) *[DMT] Transformadores multifacéticos profundos para la clasificación de objetivos múltiples en sistemas de recomendación de comercio electrónico a gran escala
- 2020 (JD) (CIKM) *[DECGCN] Red de convolución gráfica desacoplada para inferir elementos sustituibles y complementarios
- 2020 (JD) (SIGIR) [NICF] Filtrado colaborativo interactivo neuronal
- 2020 (JD) (WSDM) [HUP] Perfil de usuario jerárquico para sistemas de recomendación de comercio electrónico
Taobaosearch
- 2018 (Alibaba) (IJCAI) Globalmente Optimizada Influencia mutua Consciente en la búsqueda de comercio electrónico
- 2018 (Alibaba) (IJCAI) [JUNT] Jump: un predictor conjunto para el tiempo de clic del usuario y tiempo de permanencia
- 2018 (Alibaba) (KDD) [DUPN] Percibir a sus usuarios en profundidad: aprendiendo representaciones universales de usuarios de múltiples tareas de comercio electrónico
- 2018 (Alibaba) (www) [MA-RDPG] Aprender a colaborar-Ranking multi-escenario a través del aprendizaje de refuerzo de múltiples agentes
- Red de atención entre dominios de 2019 (Alibaba) (CIKM) con regularizadores de Wasserstein para búsqueda de comercio electrónico
- 2019 (Alibaba) (KDD) [MGTL] Un juego Minimax por ejemplo Learning Based Selective Transfer Learning
- 2019 (Alibaba) (www) agregando resultados de búsqueda de comercio electrónico de fuentes heterogéneas a través del aprendizaje de refuerzo jerárquico
- 2020 (Alibaba) (CIKM) [Tien] Red de evolución de elemento de tiempo profundo para la predicción de tasa de clics
- Poda estructurada a nivel de neuronas 2020 (Alibaba) (NIPS) utilizando regularizador de polarización
- 2020 (Alibaba) (www) [MARN] Aprendizaje de representación multimodal adversaria para la predicción de la tasa de clics
- 2021 (Alibaba) (AAAI) [ANPP] Procesos de punto neuronal atento para el pronóstico de eventos
- 2021 (Alibaba) (AAAI) [ES-DFM] Captura de retroalimentación retrasada en la predicción de la tasa de conversión a través del muestreo de tiempo transcurrido
- 2021 (Alibaba) (CIKM) [ZEUS] Aprendizaje auto-supervisado en los comportamientos espontáneos de los usuarios para la clasificación multi-escena en comercio electrónico
- 2021 (Alibaba) (KDD) [MGDSPR] Recuperación de productos basado en la incrustación en la búsqueda de Taobao
- 2022 (Alibaba) (CIKM) [CLE-QR] reescribiendo la consulta en la búsqueda de Taobao
- 2022 (Alibaba) (CIKM) [MOPPR] Recuperación de productos personalizados multi-objetivos en la búsqueda de Taobao
- 2023 (Alibaba) (KDD) [ASMOL] Repensar el papel del pre-rango en el sistema de búsqueda de comercio electrónico a gran escala
