Потрясающие статьи по глубокому обучению для промышленного поиска, рекомендаций и рекламы. Они сосредоточены на внедрении, сопоставлении, ранжировании (прогнозирование CTR/CVR), пост-рейтинге, большой модели (генеративная рекомендация, LLM), трансферном обучении, обучении с подкреплением и так далее.
00_Встраивание
- 2013 (Google) (NIPS) [Word2vec] Распределенные представления слов и фраз и их композиционность
- 2014 (KDD) [DeepWalk] DeepWalk - онлайн-изучение социальных представлений
- 2015 (WWW) [LINE] Встраивание крупномасштабной информационной сети LINE
- 2016 (KDD) [Node2vec] node2vec — масштабируемое обучение функциям сетей
- 2017 (ICLR) [GCN] Полуконтролируемая классификация с использованием сверточных сетей графов
- 2017 (KDD) [Struc2vec] struc2vec — Изучение представлений узлов на основе структурной идентичности
- 2017 (NIPS) [GraphSAGE] Обучение индуктивному представлению на больших графах
- 2018 (Airbnb) (KDD) *[Airbnb Embedding] Персонализация в реальном времени с использованием встроенных элементов для повышения поискового рейтинга на Airbnb
- 2018 (Alibaba) (KDD) *[Alibaba Embedding] Встраивание товаров на миллиарды долларов для рекомендаций по электронной коммерции на Alibaba
- 2018 (ICLR) [GAT] Сети внимания к графам
- 2018 (Pinterest) (KDD) *[PinSage] Графовые сверточные нейронные сети для рекомендательных систем веб-масштаба
- 2018 (WSDM) [NetMF] Встраивание сети как матричная факторизация — объединение deepwalk, line, pte и node2vec
- 2019 (Alibaba) (KDD) *[GATNE] Обучение представлению для гетерогенной сети с атрибутивным мультиплексированием
01_Соответствие
- 2013 (Microsoft) (CIKM) [DSSM] Изучение глубоко структурированных семантических моделей для веб-поиска с использованием данных о кликах.
- 2015 (KDD) [Скипетр] Вывод сетей взаимозаменяемых и дополнительных продуктов
- 2016 (Google) (RecSys) **[Youtube DNN] Глубокие нейронные сети для рекомендаций YouTube
- 2018 (Alibaba) (KDD) * [TDM] Глубокая модель на основе дерева обучения для рекомендательных систем
- 2018 (Pinterest) (KDD) *[PinSage] Графовые сверточные нейронные сети для рекомендательных систем веб-масштаба
- 2019 (Alibaba) (CIKM) **[MIND] Многопрофильная сеть с динамической маршрутизацией для рекомендаций на Tmall
- 2019 (Alibaba) (CIKM) *[SDM] SDM — модель последовательного глубокого сопоставления для крупномасштабной онлайн-системы рекомендаций
- 2019 (Alibaba) (NIPS) *[JTM] Совместная оптимизация древовидного индекса и глубокой модели для рекомендательных систем
- 2019 (Amazon) (KDD) Семантический поиск продуктов
- 2019 (Baidu) (KDD) *[MOBIUS] MOBIUS — к новому поколению сопоставления запросов и объявлений в спонсируемом поиске Baidu
- 2019 (Google) (RecSys) ** [Две башни] Нейронное моделирование с коррекцией смещения выборки для рекомендаций по элементам большого корпуса
- 2019 (Google) (WSDM) *[Top-K Off-Policy] Top-K Off-Policy Исправление для рекомендательной системы REINFORCE
- 2019 [Tencent] (KDD) Ориентированная на пользователя система концептуального анализа для понимания запросов и документов в Tencent
- 2020 (Alibaba) (ICML) [OTM] Изучение оптимальных древовидных моделей с помощью поиска по лучу
- 2020 (Alibaba) (KDD) *[ComiRec] Управляемая многопрофильная система рекомендаций
- 2020 (Facebook) (KDD) **[Встраивание для поиска в Facebook] Поиск на основе встраивания в поиск в Facebook
- 2020 (Google) (WWW) *[MNS] Смешанная отрицательная выборка для обучения двухбашенных нейронных сетей в рекомендациях
- 2020 (JD) (CIKM) *[DecGCN] Сеть свертки разделенных графов для вывода заменяемых и дополнительных элементов
- 2020 (JD) (SIGIR) [DPSR] На пути к персонализированному и семантическому поиску — комплексное решение для поиска в электронной коммерции посредством внедрения обучения
- 2020 (Microsoft) (Arxiv) TwinBERT — преобразование знаний в модели BERT с двойной структурой для эффективного поиска
- 2021 (Alibaba) (KDD) * [MGDSPR] Поиск товаров на основе встраивания в поиск Taobao
- 2021 (Amazon) (KDD) Экстремальное обучение с использованием нескольких меток для семантического сопоставления при поиске продуктов
- 2021 (Bytedance) (Arxiv) [DR] Глубокий поиск — изучение извлекаемой структуры для крупномасштабных рекомендаций
- 2022 (Alibaba) (CIKM) **[NANN] [二向箔] Приблизительный поиск ближайших соседей по метрике сходства нейронов для крупномасштабных рекомендаций
- 2022 (Alibaba) (CIKM) [CLE-QR] Переписывание запросов в поиске TaoBao
- 2022 (Alibaba) **(CIKM) [MOPPR] Многоцелевой персонализированный поиск товаров в поиске Taobao
- 2024 (Bytedance) (KDD) [Trinity] Trinity - Синкретизация мульти-: длиннохвостых: долгосрочных интересов — все в одном
ИНС
- 2017 (Arxiv) (Мета) [FAISS] Поиск сходства в миллиардах с помощью графических процессоров
- 2020 (PAMI) [HNSW] Эффективный и надежный приблизительный поиск ближайших соседей с использованием иерархических навигационных графов малого мира
- 2021 (TPAMI) [IVF-PQ] Квантование продукта для поиска ближайшего соседа
Graph_Neural_Networks
- 2017 (ICLR) [GCN] Полуконтролируемая классификация с использованием сверточных сетей графов
- 2018 (ICLR) [GAT] Сети внимания к графам
- 2018 (Pinterest) (KDD) [PinSage] Графовые сверточные нейронные сети для рекомендательных систем веб-масштаба
- 2019 (Alibaba) (KDD) [IntentGC] IntentGC — масштабируемая платформа свертки графов, объединяющая разнородную информацию для рекомендаций
- 2019 (Alibaba) (KDD) [MEIRec] Нейронная сеть с гетерогенным графом, управляемая метапутем, для рекомендаций по намерениям
- 2019 (Alibaba) (SIGIR) [GIN] Graph Intention Network для прогнозирования рейтинга кликов в спонсируемом поиске
- 2020 (Alibaba) (SIGIR) [ATBRG] ATBRG — Адаптивная сеть реляционных графов целевого поведения для эффективных рекомендаций
02_Предварительный рейтинг
- 2020 (Alibaba) (DLP-KDD) [COLD] COLD — к следующему поколению системы предварительного ранжирования
- 2023 (Alibaba) (CIKM) [COPR] COPR — предварительное ранжирование онлайн-рекламы, ориентированное на согласованность
- 2023 (Alibaba) (KDD) [ASMOL] Переосмысление роли предварительного ранжирования в крупномасштабной поисковой системе электронной коммерции
03_Рейтинг
- 2014 (ADKDD) (Facebook) Практические уроки по прогнозированию кликов по рекламе на Facebook
- 2016 (Google) (DLRS) **[Широкое и глубокое] Широкое и глубокое обучение для рекомендательных систем
- 2016 (Google) (RecSys) **[Youtube DNN] Глубокие нейронные сети для рекомендаций YouTube
- 2018 (Alibaba) (KDD) **[DIN] Сеть Deep Interest для прогнозирования рейтинга кликов
- 2019 (Alibaba) (AAAI) **[DIEN] Сеть Deep Interest Evolution для прогнозирования рейтинга кликов
- 2019 (Facebook) (Arxiv) [DLRM] (Facebook) Модель рекомендаций глубокого обучения для систем персонализации и рекомендаций, Facebook
- 2019 (Google) (Recsys) ** [Youtube Multi-task] Рекомендация, какое видео посмотреть следующим — многозадачная система ранжирования
- 2020 (Alibaba) (Arxiv) ** [SIM] Моделирование интересов пользователей на основе поиска с последовательными данными о поведении на протяжении всей жизни для прогнозирования рейтинга кликов
- 2020 (JD) (CIKM) **[DMT] Глубокие многогранные преобразователи для многоцелевого ранжирования в крупномасштабных рекомендательных системах электронной коммерции
- 2020 (Tencent) (Recsys) ** [PLE] Прогрессивное многоуровневое извлечение (PLE) — новая модель многозадачного обучения (MTL) для персонализированных рекомендаций
- 2021 (Alibaba) (CIKM) * [ZEUS] Самостоятельное обучение спонтанному поведению пользователей для многосценарного ранжирования в электронной коммерции
- 2021 (Alibaba) (CIKM) [STAR] Одна модель для обслуживания всех — адаптивный рекомендатель по топологии «звезда» для многодоменного прогнозирования CTR
- 2022 (Alibaba) (Arxiv) ** [ETA] Эффективное моделирование длинных последовательных пользовательских данных для прогнозирования рейтинга кликов
- 2022 (Alibaba) (WSDM) Моделирование контекстуальной обратной связи пользователей по страницам для прогнозирования рейтинга кликов в поиске электронной коммерции
- 2022 (Мета) [DHEN] DHEN — глубокая иерархическая ансамблевая сеть для крупномасштабного прогнозирования рейтинга кликов
- 2022 (WWW) [FMLP] MLP с расширенными фильтрами — это все, что вам нужно для последовательных рекомендаций
- 2023 (Alibaba) (Arxiv) [ESLM] Entire Space Learning Framework — беспристрастное прогнозирование коэффициента конверсии на полных этапах рекомендательной системы
- 2023 г. (Google) (Arxiv) В заводских условиях — Рекомендательные модели машинного обучения для рекламы промышленного масштаба
- 2023 (Куайшоу) (Arixiv) [TWIN] TWIN — двухэтапная сеть интересов для моделирования поведения пользователей на протяжении всей жизни при прогнозировании CTR в Куайшоу
- 2023 (Куайшоу) (KDD) [PEPNet] PEPNet — параметрирование и встраивание персонализированной сети для наполнения персонализированной предварительной информацией
- 2024 (Куайшоу) (CIKM) [TWINv2] TWIN V2 — масштабирование сверхдлинного моделирования последовательностей поведения пользователей для расширенного прогнозирования CTR в Куайшоу
- 2024 (Tencent) (KDD) [LCN] Междоменное пожизненное последовательное моделирование для прогнозирования рейтинга кликов в Интернете
Классический
- 2003 (Amazon) (IEEE) [CF] Рекомендации Amazon.com — совместная фильтрация отдельных элементов.
- 2009 (Компьютер) [MF] Методы матричной факторизации для рекомендательных систем
- 2016 (ICLR) [GRU4Rec] Рекомендации на основе сеансов с рекуррентными нейронными сетями
- 2017 (Amazon) (IEEE) Два десятилетия рекомендательных систем на Amazon.com
ДНН
- 2019 (KDD) (Airbnb) Применение глубокого обучения для поиска Airbnb
- 2020 (Airbnb) (KDD) Улучшение глубокого обучения для поиска Airbnb
Проблема с задержкой обратной связи
- 2008 (KDD) Обучение классификаторам только на основе положительных и немаркированных данных
- 2014 (Criteo) (KDD) [DFM] Моделирование отложенной обратной связи в медийной рекламе
- 2018 (Arxiv) [NoDeF] Непараметрическая модель с задержкой обратной связи для прогнозирования коэффициента конверсии
- 2019 (Twitter) (RecSys) Решение проблемы отложенной обратной связи при непрерывном обучении с помощью нейронных сетей при прогнозировании CTR
- 2020 (AdKDD) Модель отложенной обратной связи с отрицательной биномиальной регрессией для множественных конверсий
- 2020 (JD) (IJCAI) [TS-DL] Модель на основе внимания для прогнозирования коэффициента конверсии с отложенной обратной связью посредством калибровки после щелчка
- 2020 (SIGIR) [DLA-DF] Алгоритм двойного обучения для отложенных преобразований
- 2020 (WWW) [FSIW] Коррекция сдвига обратной связи при прогнозировании коэффициентов конверсии при отложенной обратной связи
- 2021 (Alibaba) (AAAI) [ES-DFM] Регистрация отложенной обратной связи при прогнозировании коэффициента конверсии с помощью выборки за прошедшее время
- 2021 (Alibaba) (AAAI) [ESDF] Моделирование с задержкой обратной связи для прогнозирования скорости конверсии всего пространства
- 2021 (Alibaba) (Arxiv) [Отложить] Real Negatives Matter - непрерывное обучение с реальными негативами для моделирования отложенной обратной связи
- 2021 г. (Google) (Arxiv) Обработка большого количества конверсий на клик при моделировании отложенной обратной связи
- 2021 (Tencent) (SIGIR) Модификация контрфактического вознаграждения за рекомендации потоковой передачи с отложенной обратной связью
- 2022 (Алибаба) (WWW) [DEFUSE] Асимптотически несмещенная оценка для моделирования с задержкой обратной связи посредством коррекции меток
Пересечение функций
- 2010 (ICDM) [FM] Машины факторизации
- 2013 (Google) (KDD) [LR] Прогнозирование кликов по рекламе: взгляд из окопов
- 2016 (Arxiv) [PNN] Нейронные сети на основе продуктов для прогнозирования реакции пользователя
- 2016 (Criteo) (Recsys) [FFM] Машины факторизации с учетом поля для прогнозирования CTR
- 2016 (ECIR) [FNN] Глубокое обучение на основе многополевых категориальных данных – практический пример прогнозирования реакции пользователя
- 2016 (KDD) [Deepintent] Deepintent - Изучение внимания для онлайн-рекламы с помощью рекуррентных нейронных сетей
- 2016 (Microsoft) (KDD) [Deep Crossing] Deep Crossing — моделирование в веб-масштабе без созданных вручную комбинаторных функций.
- 2017 (Google) (ADKDD) [DCN] Deep & CrossNetwork для прогнозирования кликов по рекламе
- 2017 (Huawei) (IJCAI) [DeepFM] DeepFM — нейронная сеть на основе факторизации для прогнозирования CTR
- 2017 (IJCAI) [AFM] Машины факторизации внимания, изучающие вес взаимодействий функций с помощью сетей внимания
- 2017 (SIGIR) [NFM] Машины нейронной факторизации для разреженной прогнозной аналитики
- 2017 (WWW) [NCF] Совместная нейронная фильтрация
- 2018 (CVPR) * [SENet] Сети сжатия и возбуждения
- 2018 (Google) (WSDM) [Скрытый крест] Скрытый крест Использование контекста в системах повторяющихся рекомендаций
- 2018 (KDD) [xDeepFM] xDeepFM — объединение явных и неявных взаимодействий функций для рекомендательных систем
- 2018 (TOIS) [PNN] Нейронные сети на основе продуктов для прогнозирования ответов пользователя на основе многополевых категориальных данных
- 2019 (CIKM) ** [AutoInt] AutoInt — автоматическое обучение взаимодействию функций с помощью самообслуживающихся нейронных сетей
- 2019 (Huawei) (WWW) [FGCNN] Генерация функций с помощью сверточной нейронной сети для прогнозирования рейтинга кликов
- 2019 (Sina) (Arxiv) [FAT-DeepFFM] FAT-DeepFFM - машина факторизации с учетом поля и глубоким полем внимания
- 2019 (Sina) (Recsys) [FiBiNET] FiBiNET — сочетание важности функций и билинейного взаимодействия функций для прогнозирования рейтинга кликов
- 2019 (Tencent) (AAAI) [IFM] Машины факторизации с учетом взаимодействия для рекомендательных систем
- 2020 (Baidu) (KDD) [CAN] Сеть комбинированного внимания для видеорекламы Baidu
- 2021 (Google) (WWW) * [DCN V2] DCN V2 — Улучшенная глубокая и перекрестная сеть и практические уроки для веб-обучения для ранжирования систем
- 2022 (Alibaba) (WSDM) * [CAN] CAN — сеть совместной деятельности для прогнозирования рейтинга кликов
- 2023 (CIKM) * [GDCN] На пути к более глубокой, легкой и интерпретируемой перекрестной сети для прогнозирования CTR
- 2023 (Sina) (CIKM) [FiBiNet++] FiBiNet++ — уменьшение размера модели с помощью уровня взаимодействия функций низкого ранга для прогнозирования CTR
- 2023 (Sina) (CIKM) [MemoNet] MemoNet — эффективное запоминание представлений всех перекрестных элементов с помощью сети кодовых книг с несколькими хэшами для прогнозирования CTR
Долгосрочное моделирование последовательностей
- 2019 (Alibaba) (KDD) [MIMN] Практика моделирования длинного последовательного поведения пользователей для прогнозирования рейтинга кликов
- 2019 (Google) (WWW) На пути к рекомендации нейронных смесей для пользовательских последовательностей, зависящих от дальнего действия
- 2020 (Alibaba) (Arxiv) ** [SIM] Моделирование интересов пользователей на основе поиска с последовательными данными о поведении на протяжении всей жизни для прогнозирования рейтинга кликов
- 2020 (ICLR) Реформатор - Эффективный преобразователь
- 2020 (SIGIR) [UBR4CTR] Извлечение информации о поведении пользователей для прогнозирования рейтинга кликов
- 2021 (Alibaba) (Arxiv) [ETA] Сквозное извлечение данных о поведении пользователей в модели прогнозирования рейтинга кликов
- 2022 (Alibaba) (Arxiv) ** [ETA] Эффективное моделирование длинных последовательных пользовательских данных для прогнозирования рейтинга кликов
- 2022 (Meituan) (CIKM) [SDIM] Выборка — это все, что вам нужно для моделирования долгосрочного поведения пользователей для прогнозирования CTR
- 2023 (Куайшоу) (Arixiv) [TWIN] TWIN — двухэтапная сеть интересов для моделирования поведения пользователей на протяжении всей жизни при прогнозировании CTR в Куайшоу
- 2023 (Куайшоу) (CIKM) [QIN] Сеть по интересам пользователей с преобладанием запросов для крупномасштабного поискового ранжирования
- 2024 (Куайшоу) (CIKM) [TWINv2] TWIN V2 — масштабирование сверхдлинного моделирования последовательностей поведения пользователей для расширенного прогнозирования CTR в Куайшоу
- 2024 (Tencent) (KDD) [LCN] Междоменное пожизненное последовательное моделирование для прогнозирования рейтинга кликов в Интернете
Потеря
- 2024 (Tencent) (KDD). Понимание потери рейтинга рекомендаций при скудной обратной связи от пользователей
- 2024 (Tencent) (KDD) [BBP] За пределами двоичных предпочтений — использование байесовских подходов для совместной оптимизации ранжирования и калибровки
Мультимодальный
- 2018 (Alibaba) (CIKM) [CTR изображения] Изображение имеет значение — визуальное моделирование поведения пользователей с помощью сервера расширенной модели
- 2020 (Alibaba) (WWW) [MARN] Обучение состязательному мультимодальному представлению для прогнозирования рейтинга кликов
Мультидоменный, мультисценарий
- 2014 (TASLP) * [LHUC] Изучение вклада скрытых модулей в неконтролируемую адаптацию акустической модели
- 2015 (Microsoft) (WWW) Многопредставленный подход глубокого обучения для междоменного моделирования пользователей в рекомендательных системах
- 2018 (Google) (KDD) ** [MMoE] Моделирование взаимосвязей между задачами в многозадачном обучении с помощью многоуровневой смеси экспертов
- 2019 (Alibaba) (CIKM) [WE-CAN] Междоменная сеть внимания с регуляризаторами Вассерштейна для поиска в электронной коммерции
- 2020 (Alibaba) (Arxiv) [SAML] Сценарный и взаимный подход для многосценарных рекомендаций в электронной коммерции
- 2020 (Alibaba) (CIKM) [HMoE] Улучшение многосценарного обучения для ранжирования в электронной коммерции за счет использования связей между задачами в пространстве меток
- 2020 (Alibaba)(CIKM) [MiNet] MiNet — сеть смешанных интересов для междоменного прогнозирования рейтинга кликов
- 2020 (Tencent) (Recsys) ** [PLE] Прогрессивное многоуровневое извлечение (PLE) — новая модель многозадачного обучения (MTL) для персонализированных рекомендаций
- 2021 (Alibaba) (CIKM) * [ZEUS] Самостоятельное обучение спонтанному поведению пользователей для многосценарного ранжирования в электронной коммерции
- 2021 (Alibaba) (CIKM) ** [STAR] Одна модель для обслуживания всех — адаптивный рекомендатель по топологии «звезда» для многодоменного прогнозирования CTR
- 2022 (Alibaba) (CIKM) AdaSparse — обучение адаптивно разреженным структурам для многодоменного прогнозирования рейтинга кликов
- 2022 (Alibaba) (NIPS) ** [APG] APG — сеть адаптивной генерации параметров для прогнозирования рейтинга кликов
- 2023 (Alibaba) (CIKM) [HC2] Гибридные контрастные ограничения для рейтинга многосценарных объявлений
- 2023 (Alibaba) (CIKM) [MMN] Маскированная многодоменная сеть — прогнозирование коэффициента конверсии для нескольких типов и сценариев с помощью одной модели
- 2023 (Alibaba) (CIKM) [Rec4Ad] Rec4Ad — бесплатный обед для смягчения систематической ошибки при выборе выборки для прогнозирования CTR рекламы на Taobao
- 2023 (Alibaba) (SIGIR) [MARIA] Многосценарное ранжирование с адаптивным обучением функций
- 2023 (CIKM) [HAMUR] HAMUR — гиперадаптер для многодоменных рекомендаций
- 2023 (Huawei) (CIKM) [DFFM] DFFM — моделирование функций с поддержкой домена для прогнозирования CTR
- 2023 (Куайшоу) (KDD) * [PEPNet] PEPNet — параметрирование и встраивание персонализированной сети для наполнения персонализированной предварительной информацией
- 2023 (Tencent) (KDD) Адаптивное к сценариям взаимодействие функций для прогнозирования рейтинга кликов
- 2024 (Alibaba) (CIKM) * [MultiLoRA] MultiLoRA — многонаправленная низкоранговая адаптация для многодоменных рекомендаций
- 2024 (Alibaba) (RecSys) * [MLoRA] MLoRA — многодоменная адаптивная сеть низкого ранга для прогнозирования рейтинга кликов
- 2024 (Куайшоу) (SIGIR) [M3oE] M3oE — Многодоменная, многозадачная система рекомендаций для смешанных экспертов
- 2024 (Tencent) (KDD) [LCN] Междоменное пожизненное последовательное моделирование для прогнозирования рейтинга кликов в Интернете
- 2024 (WSDM) Изучение трансферного обучения на основе адаптеров для рекомендательных систем — эмпирические исследования и практические выводы
Многозадачность
- (2018) (ICML) GradNorm - Нормализация градиента для адаптивной балансировки потерь в глубоких многозадачных сетях
- 2014 (TASLP) [LHUC] Изучение вклада скрытых модулей в неконтролируемую адаптацию акустической модели
- 2017 (Google) (ICLR) [Sparsely-Gated MOE] Невероятно большие нейронные сети — слой смешанных экспертов с редкой регулировкой
- 2018 (Alibaba) (KDD) [DUPN] Подробно воспринимайте своих пользователей — изучение универсальных представлений пользователей на основе нескольких задач электронной коммерции
- 2018 (Alibaba) (SIGIR) [ESMM] Многозадачная модель всего пространства — эффективный подход к оценке коэффициента конверсии после клика
- 2018 (CVPR) Многозадачное обучение с использованием неопределенности для взвешивания потерь для геометрии и семантики сцены
- 2018 (Google) (KDD) ** [MMoE] Моделирование взаимосвязей между задачами в многозадачном обучении с помощью многоуровневой смеси экспертов
- 2019 (Alibaba) (CIKM) Многозадачные прогнозы продаж для онлайн-продвижений
- 2019 (Alibaba) (Recys) Парето-эффективный алгоритм для многоцелевой оптимизации в рекомендациях по электронной коммерции
- 2019 (Google) (AAAI) Маршрутизация подсети SNR для гибкого совместного использования параметров при многозадачном обучении
- 2019 (Google) (Recsys) ** [Youtube Multi-task] Рекомендация, какое видео посмотреть следующим — многозадачная система ранжирования
- 2019 (NIPS) Многозадачное обучение по Парето
- 2020 (Alibaba) (SIGIR) [ESM2] Многозадачное моделирование всего пространства посредством разложения поведения после клика для прогнозирования коэффициента конверсии
- 2020 (Alibaba) (WWW) Крупномасштабные причинно-следственные подходы к устранению систематической оценки коэффициента конверсии после клика с помощью многозадачного обучения
- 2020 (Amazon) (WWW) Многоцелевая оптимизация ранжирования для поиска продуктов с использованием стохастической агрегации меток
- 2020 (Google) (KDD) [MoSE] Многозадачная смесь последовательных экспертов для потоков активности пользователей
- 2020 (JD) (CIKM) *[DMT] Глубокие многогранные преобразователи для многоцелевого ранжирования в крупномасштабных рекомендательных системах электронной коммерции
- 2020 (Tencent) (Recsys) ** [PLE] Прогрессивное многоуровневое извлечение (PLE) — новая модель многозадачного обучения (MTL) для персонализированных рекомендаций
- 2021 (Alibaba) (SIGIR) [HM3] Иерархическое моделирование микро- и макроповедения посредством многозадачного обучения для прогнозирования коэффициента конверсии
- 2021 (Alibaba) (SIGIR) [MSSM] MSSM — многоуровневая модель разреженного совместного использования для эффективного многозадачного обучения
- 2021 (Baidu) (SIGIR) [GemNN] GemNN — многозадачные нейронные сети с расширенными возможностями Gating и обучением взаимодействию функций для прогнозирования CTR
- 2021 (Google) (Arxiv) [DSelect-k] DSelect-k Дифференцируемый отбор в смеси экспертов с приложениями к многозадачному обучению
- 2021 (Google) (ICLR) Трансформаторы HyperGrid – к единой модели для решения нескольких задач
- 2021 (Google) (KDD) Понимание и улучшение компромисса между справедливостью и точностью в многозадачном обучении
- 2021 (JD) (ICDE) Состязательная смесь экспертов с мягкими ограничениями иерархии категорий
- 2021 (Квай) (Arxiv) [POSO] POSO — Персонализированные модули холодного запуска для крупномасштабных рекомендательных систем
- 2021 (Meituan) (KDD) Моделирование последовательной зависимости между многоэтапными конверсиями аудитории с многозадачным обучением в таргетированной медийной рекламе
- 2021 (Tencent) (Arxiv) Сочетание экспертов по виртуальному ядру для многоцелевого моделирования профилей пользователей
- 2021 (Tencent) (WWW) Персонализированная приблизительная рекомендация, эффективная по Парето
- 2022 (Google) (WWW) Могут ли помочь маленькие головы? Понимание и улучшение многозадачного обобщения
- 2023 г. (Airbnb) (KDD) Оптимизация поискового пути Airbnb с помощью многозадачного обучения
- 2023 (Alibaba) (CIKM) [DTRN] Сеть нижнего представления для конкретных задач для многозадачных рекомендаций
- 2023 (Google) (CIKM) Многозадачная система ранжирования для захватывающей ленты и отсутствия кликов: пример рекомендации коротких видео
- 2023 (Google) (KDD) Повышение стабильности обучения многозадачных моделей ранжирования в рекомендательных системах
- 2023 (Мета) (KDD) AdaTT — Адаптивная сеть объединения задач для многозадачного обучения в рекомендациях
- 2024 г. (Airbnb) (KDD) Многоцелевое обучение ранжированию путем дистилляции модели
- 2024 (Куайшоу) (KDD) [GradCraft] GradCraft — повышение качества многозадачных рекомендаций посредством целостного создания градиентов
- 2024 (Куайшоу) [HoME] HoME — Иерархия экспертов по многоуровневому обучению в Куайшоу
- 2024 (Shopee) (KDD) [ResFlow] Остаточная многозадачная обучающая программа для прикладного ранжирования
- 2024 (Tencent) (KDD) [STEM] Рекомендация по рекламе в разрушенном и запутанном мире
Предварительная подготовка
- 2019 (Alibaba) (IJCAI) [DeepMCP] Прогнозирование кликабельности с помощью обучения и представления
- 2019 (SIGIR) [BERT4Rec] (Alibaba) (SIGIR2019) BERT4Rec — последовательная рекомендация с представлениями двунаправленного кодировщика от трансформатора
Последовательное моделирование
- 2016 (Google) (RecSys) **[Youtube DNN] Глубокие нейронные сети для рекомендаций YouTube
- 2017 (Google) (NIPS) ** Все, что вам нужно — это внимание
- 2018 (Alibaba) (KDD) **[DIN] Сеть Deep Interest для прогнозирования рейтинга кликов
- 2018 (Alibaba) (KDD) [DUPN] Подробно воспринимайте своих пользователей — изучение универсальных представлений пользователей на основе нескольких задач электронной коммерции
- 2019 (Alibaba) (AAAI) **[DIEN] Сеть Deep Interest Evolution для прогнозирования рейтинга кликов
- 2019 (Alibaba) (IJCAI) [DSIN] Сеть по интересам глубоких сеансов для прогнозирования рейтинга кликов
- 2019 (Alibaba) (KDD) [BST] Преобразователь последовательности действий для рекомендаций по электронной коммерции на Alibaba
- 2019 (Alibaba) (KDD) [DSTN] Глубокие пространственно-временные нейронные сети для прогнозирования рейтинга кликов
- 2019 (Alibaba) (WWW) [TiSSA] TiSSA — подход с использованием временного интервала самообслуживания для моделирования последовательного поведения пользователей
- 2019 (Tencent) (KDD) [RALM] T Аналогичная модель на основе внимания в реальном времени для рекомендательной системы
- 2020 (Alibaba) (SIGIR) [DHAN] Глубокий интерес с иерархической сетью внимания для прогнозирования рейтинга кликов
- 2020 (Google) (KDD) [Google Диск] Улучшение качества рекомендаций на Google Диске
- 2020 (JD) (CIKM) **[DMT] Глубокие многогранные преобразователи для многоцелевого ранжирования в крупномасштабных рекомендательных системах электронной коммерции
- 2020 (JD) (NIPS) [KFAtt] Фильтрация внимания Калмана для моделирования поведения пользователей в прогнозировании CTR
- 2020 (JD) (WSDM) [HUP] Иерархическое профилирование пользователей для рекомендательных систем электронной коммерции
- 2022 (Alibaba) (WSDM) Моделирование контекстуальной обратной связи пользователей по страницам для прогнозирования рейтинга кликов в поиске электронной коммерции
- 2022 (JD) (WWW) Неявное моделирование осведомленности пользователей с помощью элементов-кандидатов для прогнозирования CTR в поисковых объявлениях
- 2023 г. (JD) (CIKM) [IUI] IUI – специальное моделирование интересов пользователей для прогнозирования рейтинга кликов
- 2023 (Meituan) (CIKM) [DCIN] Сеть глубокого контекста интересов для прогнозирования рейтинга кликов
- 2023 (Pinterest) (KDD) TransAct — модель действий пользователя в реальном времени на основе преобразователя для рекомендаций на Pinterest
Курок
- 2022 (Alibaba) (WWW) Сеть выявления глубоких интересов для прогнозирования рейтинга кликов в рекомендациях, вызванных триггерами
04_Пост-рейтинг
- 1998 (SIGIR) ** [MRR] Использование MMR, изменение ранжирования на основе разнообразия для изменения порядка документов и составления сводок
- 2005 (WWW) Улучшение списков рекомендаций посредством диверсификации тем
- 2008 (SIGIR) [α-NDCG] Новизна и разнообразие в оценке информационного поиска
- 2009 (Microsoft) (WSDM) Диверсификация результатов поиска
- 2010 (WWW) Использование переформулировок запросов для диверсификации результатов веб-поиска
- 2016 (Amazon) (RecSys) Адаптивное персонализированное разнообразие для визуальных открытий
- 2017 (Hulu) (NIPS) [DPP] Быстрый жадный вывод MAP для процесса детерминантных точек для улучшения разнообразия рекомендаций
- 2018 (Alibaba) (IJCAI) Глобально оптимизированный рейтинг с учетом взаимного влияния в поиске электронной коммерции
- 2018 (Alibaba) (IJCAI) [Alibaba GMV] Глобально оптимизированный рейтинг с учетом взаимного влияния в поиске электронной коммерции
- 2018 (Google) (CIKM) [DPP] Практические диверсифицированные рекомендации на YouTube с процессами детерминантных точек
- 2018 (SIGIR) [DLCM] Изучение глубокой списочной контекстной модели для уточнения ранжирования
- 2019 (Alibaba) (WWW) [RL на основе ценности] Рекомендация с учетом ценности, основанная на максимизации прибыли от подкрепления
- 2019 (Alibaba) (KDD) [GAttN] Рекомендация Exact-K посредством максимальной оптимизации клики
- 2019 (Alibaba) (RecSys) ** [PRM] Персонализированное повышение рейтинга для рекомендаций
- 2019 (Google) (Arxiv) Обучение с подкреплением для рекомендательных систем на основе планшетов — управляемая декомпозиция и практическая методология
- 2019 (Google) (Arxiv) Seq2slate — повторное ранжирование и оптимизация с помощью rnns
- 2019 (Google) (IJCAI) [SlateQ] SLATEQ — управляемая декомпозиция для обучения с подкреплением с помощью наборов рекомендаций
- 2019 (Google) (WSDM) [Top-K Off-Policy] Top-K Off-Policy Исправление для рекомендательной системы REINFORCE
- 2020 (Airbnb) (KDD) Управление разнообразием в поиске Airbnb
- 2020 (Alibaba) (CIKM) [EdgeRec] EdgeRec - рекомендательная система на Edge в мобильном Taobao
- 2020 (Huawei) (Arxiv) Персонализированное изменение рейтинга для улучшения разнообразия в системах живых рекомендаций
- 2021 (Alibaba) (Arxiv) [PRS] Пересмотр рекомендательной системы в перспективе перестановки
- 2021 (Google) (WSDM) Модели реагирования пользователей для улучшения рекомендательной системы REINFORCE
- 2021 (Microsoft) Разнообразие на ходу! Потоковая передача детерминантных точечных процессов в соответствии с целью максимальной индуцированной мощности
- 2023 (Amazon) (KDD) RankFormer — списочное обучение ранжированию с использованием списочных меток
- 2023 (Meituan) (KDD) PIER - Система сквозного реранжирования на основе интересов на уровне перестановок в электронной коммерции
- 2024 (Куайшоу) (KDD) [NAR4Rec] Неавторегрессионные генеративные модели для рекомендаций по изменению рейтинга
Seq2Slate
- 2015 (Google) (Arxiv) Глубокое обучение с подкреплением в больших пространствах дискретных действий
- 2015 (Google) (Arxiv) Глубокое обучение с подкреплением с вниманием к процессам принятия решений Slate Markov с многомерными состояниями и действиями
- 2017 (KDD) [DCM] Модель глубокого выбора с использованием сетей указателей для прогнозирования маршрута авиакомпании
- 2018 (Microsoft) (EMNLP) [RL4NMT] Исследование обучения с подкреплением для нейронного машинного перевода
- 2019 (Google) (Arxiv) Seq2slate — повторное ранжирование и оптимизация с помощью rnns
05_Актуальность
- 2020 (ICLR) [StructBERT] StructBERT - Включение языковых структур в предварительную подготовку для глубокого понимания языка
- 2021 (Alibaba) (WWW) Изучение модели релевантности продукта на основе данных о кликах в электронной коммерции
- 2023 (Meituan) (CIKM) [SPM] SPM — структурированное предварительное обучение и архитектуры сопоставления для релевантного моделирования в поиске Meituan
06_Каскад
- 2023 (Alibaba) (CIKM) [COPR] COPR — предварительное ранжирование онлайн-рекламы, ориентированное на согласованность
- 2023 (Alibaba) (KDD) [ASMOL] Переосмысление роли предварительного ранжирования в крупномасштабной поисковой системе электронной коммерции
07_Большая_Модель
- 2019 (CIKM) [AutoInt] AutoInt — автоматическое обучение взаимодействию функций с помощью самообслуживающихся нейронных сетей
- 2020 (Arxiv) Законы масштабирования для моделей нейронного языка
- 2022 (Arxiv) (Мета) DHEN — глубокая иерархическая ансамблевая сеть для крупномасштабного прогнозирования рейтинга кликов
- 2024 (Arxiv) (Bytedance) [HLLM] HLLM - Улучшение последовательных рекомендаций с помощью иерархических моделей большого языка для моделирования элементов и пользователей
- 2024 (Arxiv) ** (Мета) [GR] Действия говорят громче, чем слова — последовательные преобразователи с триллионом параметров для генеративных рекомендаций
- 2024 (PMLR) (Мета) [Вуконг] Вуконг - К закону масштабирования для крупномасштабных рекомендаций
резюме
- 2014 (ICML) [VAE] Вариационное байесовское кодирование с автоматическим кодированием
- 2014 (NIPS) [GAN] Генеративно-состязательные сети
- 2017 (NIPS) [VQ-VAE] Обучение дискретному представлению нейронов
- 2020 (NIPS) [Диффузия] Вероятностные модели диффузии с шумоподавлением
Глубокое_обучение
- 2012 (NIPS) [CNN] Классификация ImageNet с глубокими сверточными нейронными сетями
- 2014 (JMLR) [Dropout] Dropout — простой способ предотвратить переобучение нейронных сетей
- 2015 (Google) (JMLR) [BatchNorm] Пакетная нормализация – ускорение глубокого обучения сети за счет уменьшения внутреннего ковариатного сдвига
- 2015 (OpenAI) (ICLR) [Адам] Адам - метод стохастической оптимизации
- 2016 (CVPR) [ResNet] Глубокое остаточное обучение для распознавания изображений
- 2016 (OpenAI) (NIPS) [Весовая норма] Нормализация веса — простая перепараметризация для ускорения обучения глубоких нейронных сетей
- 2017 (Arxiv) [LayerNorm] Нормализация слоев
- 2017 (Google) (NIPS) [Трансформер] Внимание — это все, что вам нужно
Магистр права
- 2013 (Google) (NIPS) [Word2vec] Распределенные представления слов и фраз и их композиционность
- 2014 (Google) (NIPS) [Seq2Seq] Последовательное обучение с помощью нейронных сетей
- 2017 (Google) (NIPS) [Трансформер] Внимание — это все, что вам нужно
- 2017 (OpenAI) (NIPS) [RLHF] Глубокое обучение с подкреплением на основе человеческих предпочтений
- 2018 (OpenAI) (Arxiv) [GPT] Улучшение понимания языка посредством генеративной предварительной подготовки
- 2019 (Google) (NAACL) [Берт] BERT — Предварительное обучение глубоких двунаправленных преобразователей для понимания языка
- 2019 (OpenAI) (Arxiv) [GPT2] Языковые модели предназначены для многозадачного обучения без присмотра
- 2020 (Arxiv) Законы масштабирования для моделей нейронного языка
- 2020 (OpenAI) (Arxiv) [GPT3] Языковые модели мало кто изучает
- 2021 (Microsoft) (Arxiv) [LoRA] LoRA — низкоранговая адаптация больших языковых моделей
- 2022 (Google) (JMLR) [SwitchTransfomers] Переключающие трансформаторы — масштабирование до моделей с триллионом параметров с простой и эффективной разреженностью
- 2022 (Google) (NIPS) [ChainOfThought] Подсказки по цепочке мыслей вызывают рассуждения в больших языковых моделях
- 2022 (Google) (TMLR) [Эмерджентные] Новые возможности больших языковых моделей
- 2022 г. (OpenAI) (Arxiv) [InstructGPT] Обучение языковых моделей следованию инструкциям с обратной связью от человека
- 2023 (Мета) (Arxiv) [LLaMA] LLaMA — открытые и эффективные базовые языковые модели
- 2023 (OpenAI) (Arxiv) [GPT4] Технический отчет GPT-4
МЧС
- 2017 (Google) (ICLR) [Sparsely-Gated MOE] Невероятно большие нейронные сети — слой смешанных экспертов с редкой регулировкой
- 2018 (Google) (KDD) ** [MMoE] Моделирование взаимосвязей между задачами в многозадачном обучении с помощью многоуровневой смеси экспертов
- 2022 (Google) (JMLR) [SwitchTransfomers] Переключающие трансформаторы — масштабирование до моделей с триллионом параметров с простой и эффективной разреженностью
- 2022 (Мета) (EMNLP) Эффективное крупномасштабное языковое моделирование с привлечением различных экспертов
- 2024 (Google) (ICLR) От редкого к мягкому сочетанию экспертов
Мультимодальный
- 2020 (Google) (ICLR) [ALBERT] ALBERT — облегченный BERT для самостоятельного изучения языковых представлений
- 2021 (Google) (ICLR) [VIT] Изображение стоит 16x16 слов — преобразователи для распознавания изображений в масштабе
- 2021 (OpenAI) (ICML) [CLIP] Трансмируемые визуальные модели обучения из надзора естественного языка
Self_supervised_learning
- 2020 (Alibaba) (AAAI) [DMR] Deep Match для ранжирования модели для персонализированного прогнозирования скорости клика
- 2020 (Alibaba) (CIKM) [BERT4REC] BERT4REC - Последовательная рекомендация с двунаправленными представлениями энкодера от трансформатора
- 2020 (Alibaba) (KDD) Диспоненное самоосужение в последовательных рекомендациях
- 2020 (arxiv) Userbert - самоотверженное
- 2020 (ARXIV) [SGL] Самоподобное графическое обучение для рекомендации
- 2020 (CIKM) [S3REC] S3-REC-Самоподобное обучение для последовательной рекомендации с максимизацией взаимной информации
- 2020 (EMNLP) [PTUM] PTUM-Пользовательская модель предварительного обучения из немеченых поведения пользователя через самоосудие
- 2020 (SIGIR) Самоподобное обучение подкреплению для систем рекомендаций
- 2020 (Xiangnan He) (arxiv) самоотверженное обучение графику для рекомендации
- 2021 (alibaba) (arxiv) [clrec] Контрастирующее обучение для поколения кандидатов в крупномасштабных системах рекомендации.
- 2021 (Alibaba) (CIKM) * [Zeus] Самоподобное обучение по спонтанному поведению пользователей для ранжирования с несколькими сценами в электронной коммерции
- 2021 (Alibaba) (www) Контрастирующая предварительная тренировка для последовательной рекомендации
- 2021 (Google) (CIKM) Самоподобное обучение для крупномасштабных рекомендаций предметов
- 2021 (WSDM) [PROP] PROP-Предварительное обучение с репрезентативными словами прогнозирования для специального поиска
08_transfer_learning
- 2014 (Google) (NIPS)
- 2015 (ICLR) [FITNETS] FITNETS - Подсказки для тонких глубоких сетей
- 2018 (Alibaba) (AAAI) [Rocket] Запуск ракеты - универсальная и эффективная структура для обучения хорошо выполняемой легкой сети
- 2018 (KDD) [Рейтинг дистилляция] Рейтинг дистилляция - модели обучения компактных ранжирования с высокой производительностью для системы рекомендации.
- 2019 (ICCV) [RCO] Перегоня знаний с ограниченной оптимизацией маршрута Оптимизация
- 2020 (Alibaba) (KDD) *[Привилегированные функции дистилляция] Привилегированные функции дистилляция в рекомендациях Taobao
Междомен
- 2015 (Microsoft) (www) Многопросмотр подхода к глубокому обучению для моделирования пользователя по междомену в системах рекомендаций
- 2016 (JMLR) Домен-пособое обучение нейронных сетей
- 2018 (CIKM) CONET - Совместные кросс -сети для рекомендации по междомену
- 2019 (Alibaba) (CIKM) [We-CAN] Сеть внимания поперечного домена с регуляризаторами Wasserstein для поиска электронной коммерции
- 2019 (Alibaba) (KDD) [MGTL] Минимаксная игра, например, на основе селективного трансферного обучения
- 2019 (CIKM) DTCDR-рамка для рекомендации по перекрестной домене с двойной целью.
- 2020 (Alibaba) (CIKM) [Minet] Minet-смешанная процентная сеть для прогнозирования кросс-доменного клинка.
- 2020 (WSDM) DDTCDR - Рекомендация по перекрестному домену с глубокой передачей
Мета-обучение
- 2019 (Alibaba) (KDD) [S_2Meta] Последовательный сценарий, специфичный для сценариев, для онлайн-рекомендации для онлайн-рекомендации
- 2020 (kuaishou) (Sigir) [SML] Как перепрофировать рекомендательную систему? Метод последовательного мета-обучения
Передача
- 2018 (CVPR) Эффективная параметризация многодоменных глубоких нейронных сетей
- 2019 (ICML) ПАРАМЕТРИЧЕСКОЕ ПЕРЕВОДНОЕ ОБУЧЕНИЕ ПЕРЕДАЧИ ДЛЯ НЛП
- 2020 (Tencent) (Sigir) [Peterrec] Параметр-эффективная передача из последовательного поведения для пользовательского моделирования и рекомендации
09_Reinforments_learning
- 2010 (Yahoo) (www) [Linucb] Контекстуально-бандитный подход к персонализированной новостной статье рекомендации
- 2018 (Alibaba) (KDD) Увеличение подкрепления для ранжирования в формализации, анализе, анализе и применении в области поисковой системы электронной коммерции
- 2018 (Spotify) (Recsys) [Spotify Bandit] Исследуйте, эксплуатируют и объясняют персонализирующие объяснимые рекомендации с бандитами
- 2018 [Microsoft] (www) [DRN] DRN - глубокая структура обучения для новостей для рекомендации
- 2019 (Alibaba) (www) [HRL] Агрегирование результатов поиска электронной коммерции из гетерогенных источников с помощью иерархического обучения подкреплению
- 2019 (Google) (ijcai) *[slateq] slateq - подлежащее разложение для обучения подкреплению с наборами рекомендаций
- 2019 (Google) (WSDM) *[Top-K Off-Policy] Коррекция Off-K Top-K для подкрепленной системы рекомендателей
- 2019 (JD) (KDD) [FEEDREC] УЧЕБНО ОБУЧЕНИЕ Оптимизировать долгосрочное взаимодействие с пользователями в рекомендательных системах
- 2019 (SIGWEB) Глубокое обучение подкреплению для поиска, рекомендаций и онлайн -рекламы - опрос
- 2020 (Bytedance) (KDD) [RAM] совместно учится рекомендовать и рекламировать
- 2020 (JD) (Sigir) [NICF] Нейронная интерактивная совместная фильтрация
Конференция
KDD2023
- 2023 (Airbnb) (KDD) Оптимизация поискового путешествия Airbnb с помощью многозадачного обучения
- 2023 (Alibaba) (KDD) Захват колебания коэффициента конверсии во время рекламных акций - новый подход повторного использования исторических данных
- 2023 (Amazon) (KDD) Rankformer-Listwise Learning to Rank с использованием меток по листину
- 2023 (Baidu) (KDD) Обучение дискретным представлениям документов в веб -поиске
- 2023 (Baidu) (KDD) S2Phere-Полуопробранная предварительная тренировка для поиска в Интернете в отношении гетерогенного обучения для ранжирования данных
- 2023 (Google) (KDD) Улучшение стабильности обучения для многозадачных моделей ранжирования в Security Systems
- 2023 (Kuaishou) (KDD) Модель прогрессивной регрессии на основе деревьев для прогнозирования времени наблюдения в рекомендации с коротким видео
- 2023 (kuaishou) (KDD) [Pepnet] Pepnet - параметр и внедрение персонализированной сети для внедрения с персонализированной предварительной информацией
- 2023 (MEITUAN) (KDD) Пирс-на основе интересов на уровне перестановки.
- 2023 (Meta) (KDD) ADATT-Адаптивная сеть слияния задач-для многозадачного обучения в рекомендациях
- 2023 (Microsoft) (KDD) Unifier - единый ретривер для крупномасштабного поиска
- 2023 (Pinterest) (KDD) Transact - Модель действий пользователя на основе трансформаций для рекомендаций в Pinterest
- 2023 (Tencent) (KDD) бинарное встраивание, основанное на внедрении в Tencent
- 2023 (Tencent) (KDD) CT4REC - Простая, но эффективная тренировка последовательности для последовательной рекомендации
- 2023 (Tencent) (KDD) Сценарий-адаптивное взаимодействие функций для прогнозирования скорости кликов
KDD2024
- 2024 (Airbnb) (KDD) Многоцелевое обучение для ранжирования по модельной дистилляции
- 2024 (Bytedance) (KDD) [Trinity] Trinity-синкретизация мульти-: длинные хвост: долгосрочные интересы в одном
- 2024 (kuaishou) (KDD) [Gradcraft] Gradcraft - Повышение рекомендаций с несколькими задачами с помощью целостного градиента
- 2024 (kuaishou) (KDD) [NAR4REC] Неавторегрессивные генеративные модели для реэнергии рекомендации
- 2024 (Shopee) (KDD) [Resflow] Остаток многозадачного учащегося для прикладного ранжирования
- 2024 (Tencent) (KDD) Понимание потери ранжирования для рекомендации с разреженным отзывом пользователей
- 2024 (Tencent) (KDD) [BBP] Помимо бинарных предпочтений - Использование байесовских подходов для оптимизации совместного ранжирования и калибровки
- 2024 (Tencent) (KDD) [LCN] междоменное последовательное моделирование на всю жизнь для онлайн-прогнозирования скорости кликов.
- 2024 (Tencent) (KDD) [STEM] Рекомендация по рекламе в разрушенном и запутанном мире
Корпорация
Google
- 2014 (Google) (NIPS)
- 2015 (Google) (ARXIV) Глубокое обучение подкреплению в больших дискретных пространствах действий
- 2015 (Google) (ARXIV) Глубокое обучение подкреплению с вниманием к процессам принятия решений Slate Markov с высокоразмерными состояниями и действиями
- 2016 (Google) (DLRS) ** [широкий и глубокий]
- 2016 (Google) (Recsys) ** [YouTube DNN] Глубокие нейронные сети для рекомендаций YouTube
- 2017 (Google) (ICLR) [редко управляемые MOE] возмутительно крупные нейронные сети-редко управляемая смеси с экспертами слой
- 2018 (Google) (CIKM) [DPP] Практические диверсифицированные рекомендации на YouTube с детерминантными точками процессами
- 2018 (Google) (KDD)
- 2019 (Google) (ARXIV) SEQ2SLATE - Повторная оценка и оптимизация сланцев с помощью RNNS
- 2019 (Google) (ijcai) *[slateq] slateq - подлежащее разложение для обучения подкреплению с наборами рекомендаций
- 2019 (Google) (IJCAI) [slateq] Slateq - подлежащее разложение для обучения подкреплению с помощью наборов рекомендаций
- 2019 (Google) (Recsys) [Multi -Task YouTube] Рекомендую, какое видео смотреть дальше - многозадачная система рейтинга
- 2019 (Google) (WSDM) *[Top-K Off-Policy] Коррекция Off-K Top-K для подкрепленной системы рекомендателей
- 2020 (Google) (arxiv) самоотверженное обучение для крупномасштабных рекомендаций по предметам
- 2020 (Google) (KDD) [Google Drive] Улучшение качества рекомендаций в Google Drive
- 2020 (Google) (KDD) [Mose] Многозадачная смесь последовательных экспертов для потоков активности пользователей
Jdrecsys
- 2020 (JD) (CIKM) *[DMT] глубокие многогранные трансформаторы для многоцелевого ранжирования в крупномасштабных системах рекомендации по электронной коммерции
- 2020 (JD) (CIKM) *[DECGCN] Развященная сеть свертки графика для вывода замещаемых и дополнительных элементов
- 2020 (JD) (Sigir) [NICF] Нейронная интерактивная совместная фильтрация
- 2020 (JD) (WSDM) [HUP] Иерархическое профилирование пользователей для систем рекомендации электронной коммерции
Taobaosearch
- 2018 (Alibaba) (IJCAI) глобально оптимизированный рейтинг взаимного влияния в поиске электронной коммерции
- 2018 (Alibaba) (IJCAI) [Jump] Прыжок - совместный предиктор для клика пользователя и время задержки
- 2018 (Alibaba) (KDD) [Dupn] воспринимайте ваших пользователей глубоко - обучение универсальным представлениям пользователей из нескольких задач электронной коммерции
- 2018 (Alibaba) (www) [ma-rdpg] обучение для сотрудничества-многопользовательное ранжирование с помощью многоагентного обучения подкреплению
- 2019 (Alibaba) (CIKM) Сеть внимания поперечного домена с регуляризаторами Wasserstein для поиска электронной коммерции
- 2019 (Alibaba) (KDD) [MGTL] Минимаксная игра, например, на основе селективного трансферного обучения
- 2019 (Alibaba) (www) агрегирование результатов поиска электронной коммерции из гетерогенных источников с помощью иерархического обучения подкреплению
- 2020 (Alibaba) (CIKM) [Tien] Глубокая сеть эволюции эволюции.
- 2020 (Alibaba) (NIPS) Структурированная обрезка на уровне нейронов с использованием поляризационного регулятора
- 2020 (Alibaba) (www) [MARN] Обучение мультимодальному представлению состязания.
- 2021 (Alibaba) (AAAI) [ANPP] В ценных нейронных точках процессов для прогнозирования событий
- 2021 (Alibaba) (AAAI) [ES-DFM] Захватывание отсроченной обратной связи в прогнозировании скорости конверсии посредством отбора проб искаженного времени
- 2021 (alibaba) (CIKM) [Zeus] Самоподобное обучение в отношении спонтанного поведения пользователей для ранжирования с несколькими сценорио в электронной коммерции
- 2021 (Alibaba) (KDD) [MGDSPR] Поиск продукта на основе встраивания в поисках Taobao
- 2022 (Alibaba) (CIKM) [CLE-QR] Переписывание запросов в поисках Taobao
- 2022 (Alibaba) (CIKM) [MOPPR] Многообъясняющий персонализированный поиск продукта в поисках Taobao
- 2023 (Alibaba) (KDD) [Asmol] Переосмысление роли предварительной оценки в крупномасштабной системе поиска электронной коммерции
