Superbes documents d'apprentissage profond pour la recherche, la recommandation et la publicité industrielles. Ils se concentrent sur l'intégration, la correspondance, le classement (prédiction CTR/CVR), le post-classement, le grand modèle (recommandation générative, LLM), l'apprentissage par transfert, l'apprentissage par renforcement, etc.
00_Intégration
- 2013 (Google) (NIPS) [Word2vec] Représentations distribuées de mots et d'expressions et leur compositionnalité
- 2014 (KDD) [DeepWalk] DeepWalk - apprentissage en ligne des représentations sociales
- 2015 (WWW) [LINE] LINE Intégration d'un réseau d'information à grande échelle
- 2016 (KDD) [Node2vec] node2vec - Apprentissage de fonctionnalités évolutif pour les réseaux
- 2017 (ICLR) [GCN] Classification semi-supervisée avec réseaux convolutifs graphiques
- 2017 (KDD) [Struc2vec] struc2vec - Apprentissage des représentations de nœuds à partir de l'identité structurelle
- 2017 (NIPS) [GraphSAGE] Apprentissage de la représentation inductive sur de grands graphiques
- 2018 (Airbnb) (KDD) *[Airbnb Embedding] Personnalisation en temps réel à l'aide des intégrations pour le classement des recherches sur Airbnb
- 2018 (Alibaba) (KDD) *[Intégrement d'Alibaba] Recommandation d'intégration de produits à l'échelle d'un milliard pour le commerce électronique dans Alibaba
- 2018 (ICLR) [GAT] Réseaux d'attention graphique
- 2018 (Pinterest) (KDD) *[PinSage] Réseaux de neurones convolutionnels graphiques pour les systèmes de recommandation à l'échelle du Web
- 2018 (WSDM) [NetMF] Intégration de réseau en tant que factorisation matricielle - Unification de deepwalk, line, pte et node2vec
- 2019 (Alibaba) (KDD) *[GATNE] Apprentissage des représentations pour les réseaux hétérogènes multiplex attribués
01_Correspondance
- 2013 (Microsoft) (CIKM) [DSSM] Apprentissage de modèles sémantiques structurés en profondeur pour la recherche Web à l'aide de données de clics
- 2015 (KDD) [Sceptre] Inférence de réseaux de produits substituables et complémentaires
- 2016 (Google) (RecSys) **[Youtube DNN] Réseaux de neurones profonds pour les recommandations YouTube
- 2018 (Alibaba) (KDD) * [TDM] Modèle profond basé sur un arbre d'apprentissage pour les systèmes de recommandation
- 2018 (Pinterest) (KDD) *[PinSage] Réseaux de neurones convolutionnels graphiques pour les systèmes de recommandation à l'échelle du Web
- 2019 (Alibaba) (CIKM) **[MIND] Réseau multi-intérêts avec routage dynamique pour recommandation chez Tmall
- 2019 (Alibaba) (CIKM) *[SDM] SDM - Modèle de correspondance profonde séquentielle pour système de recommandation en ligne à grande échelle
- 2019 (Alibaba) (NIPS) *[JTM] Optimisation conjointe de l'index arborescent et du modèle profond pour les systèmes de recommandation
- 2019 (Amazon) (KDD) Recherche sémantique de produits
- 2019 (Baidu) (KDD) *[MOBIUS] MOBIUS - Vers la prochaine génération de correspondance requête-annonce dans la recherche sponsorisée de Baidu
- 2019 (Google) (RecSys) **[Two-Tower] Modélisation neuronale avec correction du biais d'échantillonnage pour les recommandations d'éléments de grand corpus
- 2019 (Google) (WSDM) *[Top-K Hors politique] Correction Top-K hors politique pour un système de recommandation REINFORCE
- 2019 [Tencent] (KDD) Un système d'exploration de concepts centré sur l'utilisateur pour la compréhension des requêtes et des documents chez Tencent
- 2020 (Alibaba) (ICML) [OTM] Apprentissage de modèles d'arbres optimaux sous Beam Search
- 2020 (Alibaba) (KDD) *[ComiRec] Cadre multi-intérêts contrôlable pour la recommandation
- 2020 (Facebook) (KDD) **[Intégration pour la recherche Facebook] Récupération basée sur l'intégration dans la recherche Facebook
- 2020 (Google) (WWW) *[MNS] Échantillonnage négatif mixte pour l'apprentissage des réseaux de neurones à deux tours dans les recommandations
- 2020 (JD) (CIKM) *[DecGCN] Réseau de convolution de graphes découplés pour déduire des éléments substituables et complémentaires
- 2020 (JD) (SIGIR) [DPSR] Vers une récupération personnalisée et sémantique - Une solution de bout en bout pour la recherche de commerce électronique via l'apprentissage intégré
- 2020 (Microsoft) (Arxiv) TwinBERT - Distiller les connaissances vers des modèles BERT à double structure pour une récupération efficace
- 2021 (Alibaba) (KDD) * [MGDSPR] Récupération de produits basée sur l'intégration dans la recherche Taobao
- 2021 (Amazon) (KDD) Apprentissage multi-étiquettes extrême pour la correspondance sémantique dans la recherche de produits
- 2021 (Bytedance) (Arxiv) [DR] Deep Retrieval - Apprendre une structure récupérable pour les recommandations à grande échelle
- 2022 (Alibaba) (CIKM) **[NANN] [二向箔] Recherche approximative du voisin le plus proche selon la métrique de similarité neuronale pour une recommandation à grande échelle
- 2022 (Alibaba) (CIKM) [CLE-QR] Réécriture de requêtes dans la recherche TaoBao
- 2022 (Alibaba) **(CIKM) [MOPPR] Récupération de produits personnalisés multi-objectifs dans la recherche Taobao
- 2024 (Bytedance) (KDD) [Trinity] Trinity - Syncrétisation des intérêts multi-:Long-Tail:Long-Term tout en un
ANNE
- 2017 (Arxiv) (Meta) [FAISS] Recherche de similarité à l'échelle d'un milliard avec les GPU
- 2020 (PAMI) [HNSW] Recherche efficace et robuste du voisin le plus proche à l'aide de graphiques du petit monde navigables hiérarchiquement
- 2021 (TPAMI) [IVF-PQ] Quantification du produit pour la recherche du voisin le plus proche
Graph_Neural_Networks
- 2017 (ICLR) [GCN] Classification semi-supervisée avec réseaux convolutifs graphiques
- 2018 (ICLR) [GAT] Réseaux d'attention graphique
- 2018 (Pinterest) (KDD) [PinSage] Réseaux de neurones convolutifs graphiques pour les systèmes de recommandation à l'échelle du Web
- 2019 (Alibaba) (KDD) [IntentGC] IntentGC - un cadre de convolution de graphiques évolutif fusionnant des informations hétérogènes pour des recommandations
- 2019 (Alibaba) (KDD) [MEIRec] Réseau neuronal à graphes hétérogènes guidé par métapathe pour la recommandation d'intention
- 2019 (Alibaba) (SIGIR) [GIN] Réseau d'intention graphique pour la prévision du taux de clics dans la recherche sponsorisée
- 2020 (Alibaba) (SIGIR) [ATBRG] ATBRG - Réseau de graphes relationnels adaptatifs de comportement cible pour une recommandation efficace
02_Pré-classement
- 2020 (Alibaba) (DLP-KDD) [COLD] COLD - Vers la prochaine génération de système de pré-classement
- 2023 (Alibaba) (CIKM) [COPR] COPR - Pré-classement axé sur la cohérence pour la publicité en ligne
- 2023 (Alibaba) (KDD) [ASMOL] Repenser le rôle du pré-classement dans le système de recherche de commerce électronique à grande échelle
03_Classement
- 2014 (ADKDD) (Facebook) Leçons pratiques de la prévision des clics sur les publicités sur Facebook
- 2016 (Google) (DLRS) **[Wide & Deep] Apprentissage large et profond pour les systèmes de recommandation
- 2016 (Google) (RecSys) **[Youtube DNN] Réseaux de neurones profonds pour les recommandations YouTube
- 2018 (Alibaba) (KDD) **[DIN] Réseau d'intérêt profond pour la prévision du taux de clics
- 2019 (Alibaba) (AAAI) **[DIEN] Réseau d'évolution d'intérêt profond pour la prévision du taux de clics
- 2019 (Facebook) (Arxiv) [DLRM] (Facebook) Modèle de recommandation d'apprentissage profond pour les systèmes de personnalisation et de recommandation, Facebook
- 2019 (Google) (Recsys) ** [Youtube Multi-tâche] Recommander la vidéo à regarder ensuite - un système de classement multitâche
- 2020 (Alibaba) (Arxiv) ** [SIM] Modélisation des intérêts des utilisateurs basée sur la recherche avec des données de comportement séquentiel à vie pour la prévision du taux de clics
- 2020 (JD) (CIKM) **[DMT] Transformateurs multifacettes profonds pour un classement multi-objectifs dans les systèmes de recommandation de commerce électronique à grande échelle
- 2020 (Tencent) (Recsys) ** [PLE] Extraction progressive en couches (PLE) - Un nouveau modèle d'apprentissage multitâche (MTL) pour des recommandations personnalisées
- 2021 (Alibaba) (CIKM) * [ZEUS] Apprentissage auto-supervisé sur les comportements spontanés des utilisateurs pour un classement multi-scénarios dans le commerce électronique
- 2021 (Alibaba) (CIKM) [STAR] Un modèle pour tous - Outil de recommandation adaptatif de topologie en étoile pour la prévision du CTR multi-domaines
- 2022 (Alibaba) (Arxiv) ** [ETA] Modélisation efficace des données utilisateur séquentielles longues pour la prévision du taux de clics
- 2022 (Alibaba) (WSDM) Modélisation des commentaires contextualisés par page des utilisateurs pour la prévision du taux de clics dans la recherche de commerce électronique
- 2022 (Meta) [DHEN] DHEN - Un réseau d'ensemble approfondi et hiérarchique pour la prévision du taux de clics à grande échelle
- 2022 (WWW) [FMLP] MLP amélioré par filtre est tout ce dont vous avez besoin pour une recommandation séquentielle
- 2023 (Alibaba) (Arxiv) [ESLM] Cadre d'apprentissage spatial complet - Prédiction du taux de conversion sans biais dans les étapes complètes du système de recommandation
- 2023 (Google) (Arxiv) Dans l'usine – Ingénierie ML pour les modèles de recommandation de publicités à l'échelle industrielle
- 2023 (Kuaishou) (Arixiv) [TWIN] TWIN - Réseau d'intérêt en deux étapes pour la modélisation du comportement des utilisateurs à vie dans la prévision du CTR à Kuaishou
- 2023 (Kuaishou) (KDD) [PEPNet] PEPNet - Paramètres et intégration d'un réseau personnalisé pour l'infusion d'informations préalables personnalisées
- 2024 (Kuaishou) (CIKM) [TWINv2] TWIN V2 - Modélisation de séquences de comportement utilisateur ultra-longues pour une prévision améliorée du CTR à Kuaishou
- 2024 (Tencent) (KDD) [LCN] Modélisation séquentielle multi-domaines à vie pour la prévision du taux de clics en ligne
Classique
- 2003 (Amazon) (IEEE) [CF] Recommandations Amazon.com - Filtrage collaboratif élément à élément
- 2009 (Ordinateur) [MF] Techniques de factorisation matricielle pour les systèmes de recommandation
- 2016 (ICLR) [GRU4Rec] Recommandations basées sur des sessions avec des réseaux de neurones récurrents
- 2017 (Amazon) (IEEE) Deux décennies de systèmes de recommandation sur Amazon.com
DNN
- 2019 (KDD) (Airbnb) Application du Deep Learning à la recherche Airbnb
- 2020 (Airbnb) (KDD) Améliorer l'apprentissage profond pour la recherche Airbnb
Problème de rétroaction retardée
- 2008 (KDD) Apprentissage des classificateurs à partir de données uniquement positives et non étiquetées
- 2014 (Criteo) (KDD) [DFM] Modélisation des commentaires différés dans la publicité display
- 2018 (Arxiv) [NoDeF] Un modèle de rétroaction retardée non paramétrique pour la prévision du taux de conversion
- 2019 (Twitter) (RecSys) Résolution des commentaires différés pour la formation continue avec les réseaux de neurones dans la prédiction du CTR
- Modèle de rétroaction différée 2020 (AdKDD) avec régression binomiale négative pour les conversions multiples
- 2020 (JD) (IJCAI) [TS-DL] Un modèle basé sur l'attention pour la prédiction du taux de conversion avec rétroaction retardée via l'étalonnage post-clic
- 2020 (SIGIR) [DLA-DF] Algorithme de double apprentissage pour les conversions retardées
- 2020 (WWW) [FSIW] Une correction du décalage de rétroaction dans la prévision des taux de conversion en cas de rétroaction différée
- 2021 (Alibaba) (AAAI) [ES-DFM] Capture des commentaires retardés dans la prévision du taux de conversion via l'échantillonnage du temps écoulé
- 2021 (Alibaba) (AAAI) [ESDF] Modélisation à rétroaction différée pour la prévision du taux de conversion de l'espace entier
- 2021 (Alibaba) (Arxiv) [Différer] Les vrais négatifs comptent - Formation continue avec de vrais négatifs pour la modélisation des commentaires différés
- 2021 (Google) (Arxiv) Gestion de nombreuses conversions par clic dans la modélisation des commentaires différés
- 2021 (Tencent) (SIGIR) Modification contrefactuelle de la récompense pour la recommandation de streaming avec retour différé
- 2022 (Alibaba) (WWW) [DEFUSE] Estimation asymptotiquement impartiale pour la modélisation de rétroaction retardée via la correction d'étiquette
Traversée de fonctionnalités
- 2010 (ICDM) [FM] Machines de factorisation
- 2013 (Google) (KDD) [LR] Prédiction des clics publicitaires : une vue depuis les tranchées
- 2016 (Arxiv) [PNN] Réseaux de neurones basés sur des produits pour la prédiction des réponses des utilisateurs
- 2016 (Criteo) (Recsys) [FFM] Machines de factorisation sensibles au champ pour la prédiction du CTR
- 2016 (ECIR) [FNN] Deep Learning sur des données catégorielles multi-champs – Une étude de cas sur la prédiction de la réponse des utilisateurs
- 2016 (KDD) [Deepintent] Deepintent - Apprentissage des attentions pour la publicité en ligne avec des réseaux de neurones récurrents
- 2016 (Microsoft) (KDD) [Deep Crossing] Deep Crossing - Modélisation à l'échelle du Web sans fonctionnalités combinatoires créées manuellement
- 2017 (Google) (ADKDD) [DCN] Deep & CrossNetwork pour les prévisions de clics publicitaires
- 2017 (Huawei) (IJCAI) [DeepFM] DeepFM - Un réseau neuronal basé sur une machine de factorisation pour la prédiction du CTR
- 2017 (IJCAI) [AFM] Machines de factorisation attentionnelle apprenant le poids des interactions de fonctionnalités via les réseaux d'attention
- 2017 (SIGIR) [NFM] Machines de factorisation neuronale pour l'analyse prédictive clairsemée
- 2017 (WWW) [NCF] Filtrage collaboratif neuronal
- 2018 (CVPR) * [SENet] Réseaux de compression et d'excitation
- 2018 (Google) (WSDM) [Latent Cross] Latent Cross utilisant le contexte dans les systèmes de recommandation récurrents
- 2018 (KDD) [xDeepFM] xDeepFM - Combinaison d'interactions de fonctionnalités explicites et implicites pour les systèmes de recommandation
- 2018 (TOIS) [PNN] Réseaux de neurones basés sur des produits pour la prédiction de la réponse des utilisateurs sur des données catégorielles multi-champs
- 2019 (CIKM) ** [AutoInt] AutoInt - Apprentissage automatique des interactions de fonctionnalités via des réseaux de neurones auto-attentifs
- 2019 (Huawei) (WWW) [FGCNN] Génération de fonctionnalités par réseau neuronal convolutif pour la prévision du taux de clics
- 2019 (Sina) (Arxiv) [FAT-DeepFFM] FAT-DeepFFM - Machine de factorisation sensible aux champs profonds et attentive aux champs
- 2019 (Sina) (Recsys) [FiBiNET] FiBiNET - combinant l'importance des fonctionnalités et l'interaction des fonctionnalités bilinéaires pour la prédiction du taux de clics
- 2019 (Tencent) (AAAI) [IFM] Machines de factorisation sensibles aux interactions pour les systèmes de recommandation
- 2020 (Baidu) (KDD) [CAN] Réseau Combo-Attention pour la publicité vidéo Baidu
- 2021 (Google) (WWW) * [DCN V2] DCN V2 - Réseau approfondi et croisé amélioré et leçons pratiques pour l'apprentissage à l'échelle du Web pour classer les systèmes
- 2022 (Alibaba) (WSDM) * [CAN] CAN - Réseau de co-action pour la prévision du taux de clics
- 2023 (CIKM) * [GDCN] Vers un réseau croisé plus profond, plus léger et interprétable pour la prévision du CTR
- 2023 (Sina) (CIKM) [FiBiNet++] FiBiNet++ - Réduction de la taille du modèle par une couche d'interaction de fonctionnalités de bas rang pour la prédiction du CTR
- 2023 (Sina) (CIKM) [MemoNet] MemoNet - Mémorisation efficace de toutes les représentations de fonctionnalités croisées via un réseau de livres de codes multi-hash pour la prédiction du CTR
Modélisation de séquences à long terme
- 2019 (Alibaba) (KDD) [MIMN] Pratique sur la modélisation séquentielle longue du comportement des utilisateurs pour la prévision du taux de clics
- 2019 (Google) (WWW) Vers un outil de recommandation de mélange neuronal pour les séquences d'utilisateurs dépendants à longue portée
- 2020 (Alibaba) (Arxiv) ** [SIM] Modélisation des intérêts des utilisateurs basée sur la recherche avec des données de comportement séquentiel à vie pour la prévision du taux de clics
- Reformer 2020 (ICLR) - Le transformateur efficace
- 2020 (SIGIR) [UBR4CTR] Récupération du comportement des utilisateurs pour la prévision du taux de clics
- 2021 (Alibaba) (Arxiv) [ETA] Récupération de bout en bout du comportement des utilisateurs dans le modèle de prévision du taux de clics
- 2022 (Alibaba) (Arxiv) ** [ETA] Modélisation efficace des données utilisateur séquentielles longues pour la prévision du taux de clics
- 2022 (Meituan) (CIKM) [SDIM] L'échantillonnage est tout ce dont vous avez besoin pour modéliser les comportements des utilisateurs à long terme pour la prévision du CTR
- 2023 (Kuaishou) (Arixiv) [TWIN] TWIN - Réseau d'intérêt en deux étapes pour la modélisation du comportement des utilisateurs à vie dans la prévision du CTR à Kuaishou
- 2023 (Kuaishou) (CIKM) [QIN] Réseau d'intérêt des utilisateurs à dominante requête pour un classement de recherche à grande échelle
- 2024 (Kuaishou) (CIKM) [TWINv2] TWIN V2 - Modélisation de séquences de comportement utilisateur ultra-longues pour une prévision améliorée du CTR à Kuaishou
- 2024 (Tencent) (KDD) [LCN] Modélisation séquentielle multi-domaines à vie pour la prévision du taux de clics en ligne
Perte
- 2024 (Tencent) (KDD) Comprendre la perte de classement pour les recommandations avec des commentaires d'utilisateurs clairsemés
- 2024 (Tencent) (KDD) [BBP] Au-delà de la préférence binaire - Tirer parti des approches bayésiennes pour l'optimisation conjointe du classement et de l'étalonnage
Multimodal
- 2018 (Alibaba) (CIKM) [Image CTR] Image Matters - Modélisation visuelle des comportements des utilisateurs à l'aide d'Advanced Model Server
- 2020 (Alibaba) (WWW) [MARN] Apprentissage de la représentation multimodale contradictoire pour la prévision du taux de clics
Multi-domaine-Multi-scénario
- 2014 (TASLP) * [LHUC] Apprentissage des contributions des unités cachées pour l'adaptation de modèles acoustiques non supervisés
- 2015 (Microsoft) (WWW) Une approche d'apprentissage profond multi-vues pour la modélisation des utilisateurs inter-domaines dans les systèmes de recommandation
- 2018 (Google) (KDD) ** [MMoE] Modélisation des relations entre tâches dans l'apprentissage multitâche avec un mélange d'experts multi-portes
- 2019 (Alibaba) (CIKM) [WE-CAN] Réseau d'attention inter-domaines avec les régularisateurs Wasserstein pour la recherche de commerce électronique
- 2020 (Alibaba) (Arxiv) [SAML] Approche basée sur les scénarios et mutuelle pour la recommandation multi-scénarios dans le commerce électronique
- 2020 (Alibaba) (CIKM) [HMoE] Améliorer l'apprentissage multi-scénarios pour se classer dans le commerce électronique en exploitant les relations entre les tâches dans l'espace des étiquettes
- 2020 (Alibaba)(CIKM) [MiNet] MiNet - Réseau d'intérêt mixte pour la prévision du taux de clics sur plusieurs domaines
- 2020 (Tencent) (Recsys) ** [PLE] Extraction progressive en couches (PLE) - Un nouveau modèle d'apprentissage multitâche (MTL) pour des recommandations personnalisées
- 2021 (Alibaba) (CIKM) * [ZEUS] Apprentissage auto-supervisé sur les comportements spontanés des utilisateurs pour un classement multi-scénarios dans le commerce électronique
- 2021 (Alibaba) (CIKM) ** [STAR] Un modèle pour tous - Outil de recommandation adaptatif de topologie en étoile pour la prévision du CTR multi-domaines
- 2022 (Alibaba) (CIKM) AdaSparse - Apprentissage adaptatif de structures clairsemées pour la prévision du taux de clics multi-domaines
- 2022 (Alibaba) (NIPS) ** [APG] APG - Réseau de génération de paramètres adaptatifs pour la prévision du taux de clics
- 2023 (Alibaba) (CIKM) [HC2] Contraintes contrastées hybrides pour le classement des publicités multi-scénarios
- 2023 (Alibaba) (CIKM) [MMN] Réseau multi-domaines masqué - Prédiction du taux de conversion multi-types et multi-scénarios avec un modèle unique
- 2023 (Alibaba) (CIKM) [Rec4Ad] Rec4Ad - Un déjeuner gratuit pour atténuer le biais de sélection d'échantillons pour la prévision du CTR des annonces dans Taobao
- 2023 (Alibaba) (SIGIR) [MARIA] Classement multi-scénarios avec apprentissage adaptatif des fonctionnalités
- 2023 (CIKM) [HAMUR] HAMUR - Hyper Adaptateur pour recommandation multi-domaines
- 2023 (Huawei) (CIKM) [DFFM] DFFM - Modélisation de fonctionnalités facilitée par domaine pour la prédiction du CTR
- 2023 (Kuaishou) (KDD) * [PEPNet] PEPNet - Paramètres et intégration d'un réseau personnalisé pour l'infusion d'informations préalables personnalisées
- 2023 (Tencent) (KDD) Interaction de fonctionnalités adaptatives au scénario pour la prévision du taux de clics
- 2024 (Alibaba) (CIKM) * [MultiLoRA] MultiLoRA - Adaptation multidirectionnelle de bas rang pour la recommandation multi-domaine
- 2024 (Alibaba) (RecSys) * [MLoRA] MLoRA - Réseau adaptatif multi-domaines de bas rang pour la prévision du taux de clics
- 2024 (Kuaishou) (SIGIR) [M3oE] M3oE - Cadre de recommandation de mélange d'experts multi-domaines et multi-tâches
- 2024 (Tencent) (KDD) [LCN] Modélisation séquentielle multi-domaines à vie pour la prévision du taux de clics en ligne
- 2024 (WSDM) Explorer l'apprentissage par transfert basé sur des adaptateurs pour les systèmes de recommandation - Études empiriques et informations pratiques
Multitâche
- (2018) (ICML) GradNorm - Normalisation du gradient pour l'équilibrage adaptatif des pertes dans les réseaux multitâches profonds
- 2014 (TASLP) [LHUC] Apprentissage des contributions des unités cachées pour l'adaptation de modèles acoustiques non supervisés
- 2017 (Google) (ICLR) [Sparsely-Gated MOE] Réseaux de neurones incroyablement grands - La couche de mélange d'experts à faible sécurité
- 2018 (Alibaba) (KDD) [DUPN] Percevez vos utilisateurs en profondeur - Apprentissage des représentations universelles des utilisateurs à partir de plusieurs tâches de commerce électronique
- 2018 (Alibaba) (SIGIR) [ESMM] Modèle multitâche de l'espace entier - Une approche efficace pour estimer le taux de conversion post-clic
- 2018 (CVPR) Apprentissage multitâche utilisant l'incertitude pour peser les pertes pour la géométrie et la sémantique de la scène
- 2018 (Google) (KDD) ** [MMoE] Modélisation des relations entre tâches dans l'apprentissage multitâche avec un mélange d'experts multi-portes
- 2019 (Alibaba) (CIKM) Prévisions de ventes multitâches pour les promotions en ligne
- 2019 (Alibaba) (Recys) Recommandation d'un algorithme Pareto-efficace pour l'optimisation à objectifs multiples dans le commerce électronique
- 2019 (Google) (AAAI) Routage de sous-réseau SNR pour un partage flexible de paramètres dans l'apprentissage multitâche
- 2019 (Google) (Recsys) ** [Youtube Multi-tâche] Recommander quelle vidéo regarder ensuite - un système de classement multitâche
- 2019 (NIPS) Apprentissage multitâche Pareto
- 2020 (Alibaba) (SIGIR) [ESM2] Modélisation multitâche de l'espace entier via la décomposition du comportement post-clic pour la prévision du taux de conversion
- 2020 (Alibaba) (WWW) Approches causales à grande échelle pour débiaiser l'estimation du taux de conversion post-clic avec l'apprentissage multitâche
- 2020 (Amazon) (WWW) Optimisation du classement multi-objectifs pour la recherche de produits à l'aide de l'agrégation d'étiquettes stochastiques
- 2020 (Google) (KDD) [MoSE] Mélange multitâche d'experts séquentiels pour les flux d'activité des utilisateurs
- 2020 (JD) (CIKM) *[DMT] Transformateurs multifacettes profonds pour un classement multi-objectifs dans les systèmes de recommandation de commerce électronique à grande échelle
- 2020 (Tencent) (Recsys) ** [PLE] Extraction progressive en couches (PLE) - Un nouveau modèle d'apprentissage multitâche (MTL) pour des recommandations personnalisées
- 2021 (Alibaba) (SIGIR) [HM3] Modélisation hiérarchique des comportements micro et macro via l'apprentissage multitâche pour la prévision du taux de conversion
- 2021 (Alibaba) (SIGIR) [MSSM] MSSM - Un modèle de partage clairsemé à plusieurs niveaux pour un apprentissage multitâche efficace
- 2021 (Baidu) (SIGIR) [GemNN] GemNN - Réseaux neuronaux multitâches améliorés par portail avec apprentissage par interaction de fonctionnalités pour la prédiction du CTR
- 2021 (Google) (Arxiv) [DSelect-k] Sélection différenciable DSelect-k dans le mélange d'experts avec des applications à l'apprentissage multitâche
- Transformateurs HyperGrid 2021 (Google) (ICLR) – Vers un modèle unique pour plusieurs tâches
- 2021 (Google) (KDD) Comprendre et améliorer les compromis entre équité et précision dans l'apprentissage multitâche
- 2021 (JD) (ICDE) Mélange contradictoire d'experts avec contrainte souple de hiérarchie de catégories
- 2021 (Kwai) (Arxiv) [POSO] POSO - Modules de démarrage à froid personnalisés pour les systèmes de recommandation à grande échelle
- 2021 (Meituan) (KDD) Modélisation de la dépendance séquentielle entre les conversions en plusieurs étapes du public avec l'apprentissage multitâche dans la publicité display ciblée
- 2021 (Tencent) (Arxiv) Mélange d'experts en noyau virtuel pour la modélisation de profils utilisateur multi-objectifs
- 2021 (Tencent) (WWW) Recommandation personnalisée approximative Pareto-Efficient
- 2022 (Google) (WWW) Les petites têtes peuvent-elles aider ? Comprendre et améliorer la généralisation multitâche
- 2023 (Airbnb) (KDD) Optimisation du parcours de recherche Airbnb avec l'apprentissage multitâche
- 2023 (Alibaba) (CIKM) [DTRN] Réseau de représentation inférieure spécifique à une tâche approfondie pour une recommandation multitâche
- Système de classement multitâche 2023 (Google) (CIKM) pour un flux immersif et plus de clics - Une étude de cas de recommandation vidéo courte
- 2023 (Google) (KDD) Améliorer la stabilité de la formation pour les modèles de classement multitâches dans les systèmes de recommandation
- 2023 (Meta) (KDD) AdaTT - Réseau de fusion adaptatif tâche à tâche pour l'apprentissage multitâche dans les recommandations
- 2024 (Airbnb) (KDD) Apprentissage multi-objectif à classer par modèle de distillation
- 2024 (Kuaishou) (KDD) [GradCraft] GradCraft - Élever les recommandations multitâches grâce à la création de dégradés holistiques
- 2024 (Kuaishou) [HoME] HoME - Hiérarchie des experts multi-portes pour l'apprentissage multi-tâches à Kuaishou
- 2024 (Shopee) (KDD) [ResFlow] Apprenti multitâche résiduel pour le classement appliqué
- 2024 (Tencent) (KDD) [STEM] Recommandation publicitaire dans un monde effondré et enchevêtré
Pré-formation
- 2019 (Alibaba) (IJCAI) [DeepMCP] Prédiction du taux de clics par apprentissage assisté par représentation
- 2019 (SIGIR) [BERT4Rec] (Alibaba) (SIGIR2019) BERT4Rec - Recommandation séquentielle avec représentations d'encodeur bidirectionnel du transformateur
Modélisation de séquence
- 2016 (Google) (RecSys) **[Youtube DNN] Réseaux de neurones profonds pour les recommandations YouTube
- 2017 (Google) (NIPS) ** L'attention est tout ce dont vous avez besoin
- 2018 (Alibaba) (KDD) **[DIN] Réseau d'intérêt profond pour la prévision du taux de clics
- 2018 (Alibaba) (KDD) [DUPN] Percevez vos utilisateurs en profondeur - Apprentissage des représentations utilisateur universelles à partir de plusieurs tâches de commerce électronique
- 2019 (Alibaba) (AAAI) **[DIEN] Réseau d'évolution d'intérêt profond pour la prévision du taux de clics
- 2019 (Alibaba) (IJCAI) [DSIN] Réseau d'intérêt de session approfondie pour la prévision du taux de clics
- 2019 (Alibaba) (KDD) [BST] Transformateur de séquence de comportement pour la recommandation de commerce électronique dans Alibaba
- 2019 (Alibaba) (KDD) [DSTN] Réseaux de neurones spatio-temporels profonds pour la prévision du taux de clics
- 2019 (Alibaba) (WWW) [TiSSA] TiSSA - Une approche d'auto-attention par tranche de temps pour la modélisation des comportements séquentiels des utilisateurs
- 2019 (Tencent) (KDD) [RALM] Modèle similaire basé sur l'attention en temps réel pour le système de recommandation
- 2020 (Alibaba) (SIGIR) [DHAN] Intérêt profond pour le réseau d'attention hiérarchique pour la prévision du taux de clics
- 2020 (Google) (KDD) [Google Drive] Améliorer la qualité des recommandations dans Google Drive
- 2020 (JD) (CIKM) **[DMT] Transformateurs multifacettes profonds pour un classement multi-objectifs dans les systèmes de recommandation de commerce électronique à grande échelle
- 2020 (JD) (NIPS) [KFAtt] Filtrage de Kalman pour la modélisation du comportement des utilisateurs dans la prévision du CTR
- 2020 (JD) (WSDM) [HUP] Profilage hiérarchique des utilisateurs pour les systèmes de recommandation de commerce électronique
- 2022 (Alibaba) (WSDM) Modélisation des commentaires contextualisés par page des utilisateurs pour la prévision du taux de clics dans la recherche de commerce électronique
- 2022 (JD) (WWW) Modélisation implicite de la sensibilisation des utilisateurs via des éléments candidats pour la prédiction du CTR dans les annonces de recherche
- 2023 (JD) (CIKM) [IUI] IUI - Modélisation des intérêts des utilisateurs améliorée par l'intention pour la prévision du taux de clics
- 2023 (Meituan) (CIKM) [DCIN] Réseau d'intérêt à contexte profond pour la prévision du taux de clics
- 2023 (Pinterest) (KDD) TransAct - Modèle d'action utilisateur en temps réel basé sur un transformateur pour recommandation sur Pinterest
Déclenchement
- 2022 (Alibaba) (WWW) Réseau de mise en évidence d'un intérêt profond pour la prévision du taux de clics dans la recommandation induite par un déclencheur
04_Post-classement
- 1998 (SIGIR) ** [MRR] L'utilisation du MMR, Reclassement basé sur la diversité pour réorganiser les documents et produire des résumés
- 2005 (WWW) Améliorer les listes de recommandations grâce à la diversification des sujets
- 2008 (SIGIR) [α-NDCG] Nouveauté et diversité dans l'évaluation de la recherche d'informations
- 2009 (Microsoft) (WSDM) Diversification des résultats de recherche
- 2010 (WWW) Exploiter les reformulations de requêtes pour la diversification des résultats de recherche sur le Web
- 2016 (Amazon) (RecSys) Diversité adaptative et personnalisée pour la découverte visuelle
- 2017 (Hulu) (NIPS) [DPP] Inférence MAP gourmande rapide pour un processus de points déterminants afin d'améliorer la diversité des recommandations
- 2018 (Alibaba) (IJCAI) Classement optimisé à l'échelle mondiale en matière d'influence mutuelle dans la recherche sur le commerce électronique
- 2018 (Alibaba) (IJCAI) [Alibaba GMV] Classement optimisé à l'échelle mondiale en matière d'influence mutuelle dans la recherche sur le commerce électronique
- 2018 (Google) (CIKM) [DPP] Recommandations pratiques diversifiées sur YouTube avec des processus ponctuels déterminants
- 2018 (SIGIR) [DLCM] Apprentissage d'un modèle contextuel profond par liste pour l'affinement du classement
- 2019 (Alibaba) (WWW) [RL basé sur la valeur] Recommandation tenant compte de la valeur basée sur la maximisation des bénéfices de renforcement
- 2019 (Alibaba) (KDD) [GAttN] Recommandation Exact-K via l'optimisation maximale des clics
- 2019 (Alibaba) (RecSys) ** [PRM] Reclassement personnalisé pour recommandation
- 2019 (Google) (Arxiv) Apprentissage par renforcement pour les systèmes de recommandation basés sur une liste - Une décomposition traitable et une méthodologie pratique
- 2019 (Google) (Arxiv) Seq2slate - Re-classement et optimisation de l'ardoise avec rnns
- 2019 (Google) (IJCAI) [SlateQ] SLATEQ - Une décomposition traitable pour l'apprentissage par renforcement avec des ensembles de recommandations
- 2019 (Google) (WSDM) [Top-K Off-Policy] Correction Top-K hors politique pour un système de recommandation REINFORCE
- 2020 (Airbnb) (KDD) Gérer la diversité dans la recherche Airbnb
- 2020 (Alibaba) (CIKM) [EdgeRec] EdgeRec - Système de recommandation sur Edge dans Mobile Taobao
- 2020 (Huawei) (Arxiv) Reclassement personnalisé pour améliorer la diversité dans les systèmes de recommandation en direct
- 2021 (Alibaba) (Arxiv) [PRS] Revisiter le système de recommandation dans la perspective de permutation
- Modèles de réponse des utilisateurs 2021 (Google) (WSDM) pour améliorer un système de recommandation REINFORCE
- 2021 (Microsoft) La diversité en déplacement ! Streaming de processus ponctuels déterminants sous un objectif de cardinalité induite maximale
- 2023 (Amazon) (KDD) RankFormer - Apprendre à classer par liste à l'aide d'étiquettes à l'échelle de la liste
- 2023 (Meituan) (KDD) PIER - Cadre de reclassement de bout en bout basé sur les intérêts au niveau de la permutation dans le commerce électronique
- 2024 (Kuaishou) (KDD) [NAR4Rec] Modèles génératifs non autorégressifs pour la recommandation de reclassement
Seq2Slate
- 2015 (Google) (Arxiv) Apprentissage par renforcement profond dans de grands espaces d'action discrets
- 2015 (Google) (Arxiv) Apprentissage par renforcement profond avec attention aux processus décisionnels de Slate Markov avec des états et des actions de grande dimension
- 2017 (KDD) [DCM] Modèle de choix profond utilisant des réseaux de pointeurs pour la prévision des itinéraires des compagnies aériennes
- 2018 (Microsoft) (EMNLP) [RL4NMT] Une étude de l'apprentissage par renforcement pour la traduction automatique neuronale
- 2019 (Google) (Arxiv) Seq2slate - Re-classement et optimisation de l'ardoise avec rnns
05_Pertinence
- 2020 (ICLR) [StructBERT] StructBERT - Incorporer des structures linguistiques dans la pré-formation pour une compréhension approfondie du langage
- 2021 (Alibaba) (WWW) Apprentissage d'un modèle de pertinence des produits à partir des données de clic dans le commerce électronique
- 2023 (Meituan) (CIKM) [SPM] SPM - Architectures structurées de pré-formation et d'appariement pour la modélisation de la pertinence dans la recherche Meituan
06_Cascade
- 2023 (Alibaba) (CIKM) [COPR] COPR - Pré-classement axé sur la cohérence pour la publicité en ligne
- 2023 (Alibaba) (KDD) [ASMOL] Repenser le rôle du pré-classement dans le système de recherche de commerce électronique à grande échelle
07_Large_Modèle
- 2019 (CIKM) [AutoInt] AutoInt - Apprentissage automatique des interactions de fonctionnalités via des réseaux de neurones auto-attentifs
- 2020 (Arxiv) Lois de mise à l'échelle pour les modèles de langage neuronal
- 2022 (Arxiv) (Meta) DHEN - Un réseau d'ensemble approfondi et hiérarchique pour la prévision du taux de clics à grande échelle
- 2024 (Arxiv) (Bytedance) [HLLM] HLLM - Amélioration des recommandations séquentielles via des modèles hiérarchiques de langage étendu pour la modélisation d'éléments et d'utilisateurs
- 2024 (Arxiv) ** (Meta) [GR] Les actions parlent plus fort que les mots - Transducteurs séquentiels à milliards de paramètres pour des recommandations génératives
- 2024 (PMLR) (Meta) [Wukong] Wukong - Vers une loi d'échelle pour la recommandation à grande échelle
CV
- 2014 (ICML) [VAE] Bayes variationnelle à codage automatique
- 2014 (NIPS) [GAN] Réseaux contradictoires génératifs
- 2017 (NIPS) [VQ-VAE] Apprentissage par représentation neuronale discrète
- 2020 (NIPS) [Diffusion] Modèles probabilistes de diffusion de débruitage
Apprentissage_profond
- 2012 (NIPS) [CNN] Classification ImageNet avec réseaux de neurones à convolution profonde
- 2014 (JMLR) [Dropout] Dropout - Un moyen simple d'empêcher le surapprentissage des réseaux de neurones
- 2015 (Google) (JMLR) [BatchNorm] Normalisation par lots – Accélérer la formation approfondie du réseau en réduisant le décalage des covariables internes
- 2015 (OpenAI) (ICLR) [Adam] Adam - Une méthode d'optimisation stochastique
- 2016 (CVPR) [ResNet] Apprentissage résiduel profond pour la reconnaissance d'images
- 2016 (OpenAI) (NIPS) [Weight Norm] Normalisation du poids - Un reparamétrage simple pour accélérer la formation des réseaux de neurones profonds
- 2017 (Arxiv) [LayerNorm] Normalisation des calques
- 2017 (Google) (NIPS) [Transformer] L'attention est tout ce dont vous avez besoin
LLM
- 2013 (Google) (NIPS) [Word2vec] Représentations distribuées de mots et d'expressions et leur compositionnalité
- 2014 (Google) (NIPS) [Seq2Seq] Apprentissage séquence à séquence avec des réseaux de neurones
- 2017 (Google) (NIPS) [Transformer] L'attention est tout ce dont vous avez besoin
- 2017 (OpenAI) (NIPS) [RLHF] Apprentissage par renforcement profond à partir des préférences humaines
- 2018 (OpenAI) (Arxiv) [GPT] Améliorer la compréhension du langage grâce à une pré-formation générative
- 2019 (Google) (NAACL) [Bert] BERT - Pré-formation de transformateurs bidirectionnels profonds pour la compréhension du langage
- 2019 (OpenAI) (Arxiv) [GPT2] Les modèles linguistiques sont des apprenants multitâches non supervisés
- 2020 (Arxiv) Lois de mise à l'échelle pour les modèles de langage neuronal
- 2020 (OpenAI) (Arxiv) [GPT3] Les modèles linguistiques sont peu d'apprenants
- 2021 (Microsoft) (Arxiv) [LoRA] LoRA - Adaptation de bas rang de grands modèles de langage
- 2022 (Google) (JMLR) [SwitchTransfomers] Transformateurs de commutation - Mise à l'échelle jusqu'à des milliards de modèles de paramètres avec une parcimonie simple et efficace
- 2022 (Google) (NIPS) [ChainOfThought] L'incitation à la chaîne de pensée suscite un raisonnement dans de grands modèles de langage
- 2022 (Google) (TMLR) [Émergent] Capacités émergentes des grands modèles de langage
- 2022 (OpenAI) (Arxiv) [InstructGPT] Modèles de langage de formation pour suivre les instructions avec retour humain
- 2023 (Meta) (Arxiv) [LLaMA] LLaMA - Modèles de langage de base ouverts et efficaces
- 2023 (OpenAI) (Arxiv) [GPT4] Rapport technique GPT-4
ME
- 2017 (Google) (ICLR) [Sparsely-Gated MOE] Réseaux de neurones incroyablement grands - La couche de mélange d'experts à grille clairsemée
- 2018 (Google) (KDD) ** [MMoE] Modélisation des relations entre tâches dans l'apprentissage multitâche avec un mélange d'experts multi-portes
- 2022 (Google) (JMLR) [SwitchTransfomers] Transformateurs de commutation - Mise à l'échelle jusqu'à des milliards de modèles de paramètres avec une parcimonie simple et efficace
- 2022 (Meta) (EMNLP) Modélisation linguistique efficace à grande échelle avec des mélanges d'experts
- 2024 (Google) (ICLR) Des mélanges d'experts clairsemés à doux
Multimodal
- 2020 (Google) (ICLR) [ALBERT] ALBERT - Un BERT léger pour l'apprentissage auto-supervisé des représentations linguistiques
- 2021 (Google) (ICLR) [VIT] Une image vaut 16x16 mots - Transformers pour la reconnaissance d'image à grande échelle
- 2021 (OpenAI) (ICML) [Clip] Apprendre des modèles visuels transférables de la supervision du langage naturel
Self_Supervised_learning
- 2020 (Alibaba) (AAAI) [DMR] Match profond To Rank Modèle pour la prédiction de taux de clic personnalisé
- 2020 (Alibaba) (CIKM) [Bert4rec] Bert4rec - Recommandation séquentielle avec des représentations de codeur bidirectionnelles de Transformer
- 2020 (Alibaba) (KDD) Démassement auto-superficision dans les recommandateurs séquentiels
- 2020 (ARXIV) Userbert - Représentation de l'utilisateur auto-supervisé Apprentissage
- 2020 (ARXIV) [SGL] Apprentissage du graphique auto-supervisé pour recommandation
- 2020 (CIKM) [S3REC] S3-REC - Apprentissage auto-supervisé pour une recommandation séquentielle avec maximisation des informations mutuelles
- 2020 (EMNLP) [PTUM] PTUM - Modèle d'utilisateur pré-formation à partir de comportements utilisateur non marqués via l'auto-supervision
- 2020 (SIGIR) Apprentissage de renforcement auto-supervisé pour les systèmes de recommandation
- 2020 (Xiangnan He) (arxiv) Apprentissage de graphe auto-supervisé pour recommandation
- 2021 (Alibaba) (arXiv) [CLREC] Apprentissage contrastif pour la génération de candidats débiasée dans les systèmes de recommandation à grande échelle
- 2021 (Alibaba) (CIKM) * [Zeus] Apprentissage auto-supervisé sur les comportements spontanés des utilisateurs pour le classement multi-scénario dans le commerce électronique
- 2021 (Alibaba) (www) Pré-formation contrastive pour une recommandation séquentielle
- 2021 (Google) (CIKM) Apprentissage auto-supervisé pour les recommandations d'articles à grande échelle
- 2021 (WSDM) [PROP] PROP - Pré-formation avec prédiction des mots représentatifs pour la récupération ad hoc
08_transfer_learning
- 2014 (Google) (NIPS) [Distillation Knoledge] distillant les connaissances dans un réseau neuronal
- 2015 (ICLR) [FITNETS] FITNETS - CONSEILS POUR LES FINES DE FIGHED DEEP
- 2018 (Alibaba) (AAAI) [Rocket] Lancement de fusée - Un cadre universel et efficace pour la formation
- 2018 (KDD) [Distillation de classement] Distillation de classement - Apprentissage des modèles de classement compact avec haute performance pour le système de recommandation
- 2019 (ICCV) [RCO] Distillation des connaissances par l'optimisation contrainte par l'itinéraire
- 2020 (Alibaba) (KDD) * [Distillation des caractéristiques privilégiées] Caractéristiques privilégiées Distillation aux recommandations de Taobao
Domaine croisé
- 2015 (Microsoft) (www) Une approche d'apprentissage en profondeur multi-visualités pour la modélisation des utilisateurs transformations dans les systèmes de recommandation
- 2016 (JMLR) Formation adversaire du domaine des réseaux de neurones
- 2018 (CIKM) CONET - Collaborative Cross Networks for Cross-Domain Recommandation
- 2019 (Alibaba) (CIKM) [We-Can] Réseau d'attention croisée avec les régulateurs de Wasserstein pour la recherche de commerce électronique
- 2019 (Alibaba) (KDD) [MGTL] Un jeu minimax par exemple apprentissage sélectif basé sur le transfert
- 2019 (CIKM) DTCDR - Un cadre pour la recommandation de domaine croisé à double cible
- 2020 (Alibaba) (CIKM) [Minet] Minet - Réseau d'intérêt mixte pour la prédiction du taux de clics inter-domaines
- 2020 (WSDM) DDTCDR - Recommandation en double transfert à double transfert
Méta-apprentissage
- 2019 (Alibaba) (KDD) [S_2META] Meta apprenant spécifique au scénario pour recommandation en ligne
- 2020 (Kuaishou) (Sigir) [SML] Comment recycler le système de recommandation? Une méthode de méta-apprentissage séquentielle
Transfert
- 2018 (CVPR) Paramétrisation efficace des réseaux de neurones profonds multi-domaines
- 2019 (ICML) Apprentissage de transfert économe en paramètres pour NLP
- 2020 (Tencent) (Sigir) [Peterrec] Transfert économe en paramètres à partir de comportements séquentiels pour la modélisation et la recommandation des utilisateurs
09_reinforcement_learning
- 2010 (Yahoo) (www) [linucb] Une approche de la bandité contextuelle de la recommandation de l'article de presse personnalisé
- 2018 (Alibaba) (KDD) Renforcement apprenant à se classer dans la formalisation, l'analyse et l'application du moteur de commerce électronique
- 2018 (Spotify) (Recsys) [Spotify Bandit] Explorez, exploitez et expliquez la personnalisation des recommandations explicables avec des bandits
- 2018 [Microsoft] (www) [DRN] DRN - Un cadre d'apprentissage en renforcement profond pour la recommandation de nouvelles
- 2019 (Alibaba) (www) [HRL] Aggrégation des résultats de recherche de commerce électronique de sources hétérogènes via l'apprentissage du renforcement hiérarchique
- 2019 (Google) (IJCAI) * [Slateq] Slateq - Une décomposition tractable pour l'apprentissage du renforcement avec des ensembles de recommandations
- 2019 (Google) (WSDM) * [Top-K Off-policy] Correction hors K Top-K pour un système de recommandation de renforcement
- 2019 (JD) (KDD) [FEEDREC] Apprentissage du renforcement pour optimiser l'engagement à long terme des utilisateurs dans les systèmes de recommandation
- 2019 (Sigweb) Apprentissage en renforcement profond pour la recherche, la recommandation et la publicité en ligne - une enquête
- 2020 (ByTedance) (KDD) [RAM] Apprenant conjointement à recommander et à faire de la publicité
- 2020 (JD) (SIGIR) [NICF] Filtrage collaboratif interactif neural
Conférence
KDD2023
- 2023 (Airbnb) (KDD) Optimisation du voyage de recherche Airbnb avec apprentissage multi-tâches
- 2023 (Alibaba) (KDD) Capturer les fluctuations du taux de conversion pendant les promotions des ventes - une nouvelle approche de réutilisation des données historiques
- 2023 (Amazon) (KDD) Rankformer - Listwise Learnwise-to-rank à l'aide d'étiquettes ListWide
- 2023 (baidu) (KDD) Apprentissage des représentations de documents discrets dans la recherche Web
- 2023 (baidu) (KDD) S2Phere - pré-formation semi-supervisée pour la recherche Web sur l'apprentissage hétérogène pour classer les données
- 2023 (Google) (KDD) Amélioration de la stabilité de la formation pour les modèles de classement multitâche dans les systèmes de recommandation
- 2023 (Kuaishou) (KDD) Modèle de régression progressive basée sur les arbres pour la prédiction de temps de montre dans une recommandation à courte vidéo
- 2023 (Kuaishou) (KDD) [PEPNET] PEPNET - Paramètre et intégration du réseau personnalisé pour infuser des informations antérieures personnalisées
- 2023 (Meituan) (KDD) Pier - Permure basée sur les intérêts basés sur les intérêts de bout en bout Framework dans le commerce électronique dans le commerce électronique
- 2023 (META) (KDD) Adatt - Réseau de fusion adaptatif de tâche à tâche pour l'apprentissage multitâche dans les recommandations
- 2023 (Microsoft) (KDD) Unifier - Un retriever unifié pour la récupération à grande échelle
- 2023 (Pinterest) (KDD) Transaction - Modèle d'action utilisateur en temps réel basé sur le transformateur pour recommandation chez Pinterest
- 2023 (Tencent) (KDD) Retalie basée sur l'intégration binaire à Tencent
- 2023 (Tencent) (KDD) CT4rec - Formation de cohérence simple mais efficace pour une recommandation séquentielle
- 2023 (Tencent) (KDD) Interaction des fonctionnalités adaptatives pour la prévision du taux de clics
KDD2024
- 2024 (Airbnb) (KDD) Multi-objectif Learning à se classer par distillation modèle
- 2024 (ByTedance) (KDD) [Trinity] Trinity - Syncrétisation Multi-: longue queue: intérêts à long terme tout en un
- 2024 (Kuaishou) (KDD) [Gradcraft] Gradcraft - Élévation des recommandations multi-tâches grâce à l'artisanat de gradient holistique
- 2024 (Kuaishou) (KDD) [NAR4REC] Modèles génératifs non autorégressifs pour recommandation de réinstallation
- 2024 (Shopee) (KDD) [Resflow] Apprenant résiduel multi-tâches pour le classement appliqué
- 2024 (Tencent) (KDD) Comprenant la perte de classement pour recommandation avec des commentaires clairsemés des utilisateurs
- 2024 (Tencent) (KDD) [BBP] au-delà des préférences binaires - Tirez parti des approches bayésiennes pour l'optimisation des articulations du classement et de l'étalonnage
- 2024 (Tencent) (KDD) [LCN] Modélisation séquentielle à vie transversale pour la prévision du taux de clics en ligne
- 2024 (Tencent) (KDD) [STEM] Recommandation publicitaire dans un monde effondré et enchevêtré
Corporation
Google
- 2014 (Google) (NIPS) [Distillation Knoledge] distillant les connaissances dans un réseau neuronal
- 2015 (Google) (Arxiv) Apprentissage en renforcement profond dans de grands espaces d'action discrètes
- 2015 (Google) (Arxiv) Apprentissage en renforcement profond avec attention pour les processus de décision de Markov avec des états et des actions à haute dimension
- 2016 (Google) (DLRS) ** [Wide & Deep] Wide & Deep Learning for Recchandder Systems
- 2016 (Google) (Recsys) ** [YouTube DNN] Réseaux de neurones profonds pour les recommandations YouTube
- 2017 (Google) (ICLR) [MOE à indemnité peu informée] Réseaux de neurones outrageusement
- 2018 (Google) (CIKM) [DPP] Recommandations pratiques diversifiées sur YouTube avec des processus ponctuels déterminants
- 2018 (Google) (KDD) [MMOE] Modélisation des relations de tâche dans l'apprentissage multi-tâches avec le mélange de mixages multi-gats
- 2019 (Google) (ARXIV) SEQ2SLATE - Re-Ranking and Slate Optimization avec RNNS
- 2019 (Google) (IJCAI) * [Slateq] Slateq - Une décomposition tractable pour l'apprentissage du renforcement avec des ensembles de recommandations
- 2019 (Google) (IJCAI) [Slateq] Slateq - Une décomposition tractable pour l'apprentissage du renforcement avec des ensembles de recommandations
- 2019 (Google) (Recsys) [YouTube Multi-Task] Recommander quelle vidéo regarder ensuite - un système de classement multitâche
- 2019 (Google) (WSDM) * [Top-K Off-policy] Correction hors K Top-K pour un système de recommandation de renforcement
- 2020 (Google) (ARXIV) Apprentissage auto-supervisé pour les recommandations d'articles à grande échelle
- 2020 (Google) (KDD) [Google Drive] Améliorer la qualité des recommandations dans Google Drive
- 2020 (Google) (KDD) [Mose] Mélange multitâche des experts séquentiels pour les flux d'activité utilisateur
Jdrecsys
- 2020 (JD) (CIKM) * [DMT] Transformers multiforme profonds pour le classement multi-objectif dans les systèmes de recommandation de commerce électronique à grande échelle
- 2020 (JD) (CIKM) * [DECGCN] Réseau de convolution de graphes découplés pour inférer des éléments substituables et complémentaires
- 2020 (JD) (SIGIR) [NICF] Filtrage collaboratif interactif neural
- 2020 (JD) (WSDM) [HUP] Profilage de l'utilisateur hiérarchique pour les systèmes de recommandation de commerce électronique
Taobaosearch
- 2018 (Alibaba) (IJCAI) Globalement optimisé l'influence du classement de conscience dans la recherche de commerce électronique
- 2018 (Alibaba) (IJCAI) [Jump] Jump - Un prédicteur conjoint pour le clic utilisateur et le temps de séjour
- 2018 (Alibaba) (KDD) [DUPN] Percevoir vos utilisateurs en profondeur - Apprendre les représentations des utilisateurs universels à partir de plusieurs tâches de commerce électronique
- 2018 (Alibaba) (www) [MA-RDPG] Apprenant à collaborer - Classement multi-scènes via l'apprentissage en renforcement multi-agents
- 2019 (Alibaba) (CIKM) Réseau d'attention inter-domaine avec des régulateurs de Wasserstein pour la recherche de commerce électronique
- 2019 (Alibaba) (KDD) [MGTL] Un jeu minimax par exemple apprentissage sélectif basé sur le transfert
- 2019 (Alibaba) (www) Aggrégation des résultats de recherche de commerce électronique de sources hétérogènes via l'apprentissage du renforcement hiérarchique
- 2020 (Alibaba) (CIKM) [Tien] Réseau d'évolution des éléments de temps conscient pour la prévision du taux de clics
- 2020 (Alibaba) (NIPS) Élagage structuré au niveau des neurones en utilisant un régularisateur de polarisation
- 2020 (Alibaba) (www) [Marn] Représentation multimodale adversaire Apprentissage pour la prédiction du taux de clics
- 2021 (Alibaba) (AAAI) [ANPP] Processus de points neuronaux attentifs pour la prévision des événements
- 2021 (Alibaba) (AAAI) [ES-DFM] Capturant un rétroaction retardée dans la prédiction du taux de conversion via l'échantillonnage à temps écoulé
- 2021 (Alibaba) (CIKM) [Zeus] Apprentissage auto-supervisé sur les comportements spontanés des utilisateurs pour le classement multi-scénario dans le commerce électronique
- 2021 (Alibaba) (KDD) [MGDSPR] Incorporer la récupération de produits dans la recherche de Taobao
- 2022 (Alibaba) (CIKM) [CLE-QR] Recriture de requête dans la recherche de Taobao
- 2022 (Alibaba) (CIKM) [MOPPR] Récupération de produits personnalisés multi-objectifs dans la recherche de Taobao
- 2023 (Alibaba) (KDD) [Asmol] repenser le rôle de pré-rang dans le système de recherche de commerce électronique à grande échelle
