หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

เอกสารการเรียนรู้เชิงลึกที่ยอดเยี่ยมสำหรับการค้นหาทางอุตสาหกรรม คำแนะนำ และการโฆษณา โดยมุ่งเน้นไปที่การฝัง การจับคู่ การจัดอันดับ (การทำนาย CTR/CVR) การจัดอันดับโพสต์ โมเดลขนาดใหญ่ (การแนะนำทั่วไป LLM) การเรียนรู้แบบถ่ายโอน การเรียนรู้แบบเสริมกำลัง และอื่นๆ

00_การฝัง

  • 2013 (Google) (NIPS) [Word2vec] การกระจายการนำเสนอคำและวลีและการจัดองค์ประกอบ
  • 2014 (KDD) [DeepWalk] DeepWalk - การเรียนรู้ออนไลน์เกี่ยวกับการเป็นตัวแทนทางสังคม
  • 2015 (WWW) [LINE] การฝังเครือข่ายข้อมูลขนาดใหญ่ของ LINE
  • 2016 (KDD) [Node2vec] node2vec - การเรียนรู้คุณสมบัติที่ปรับขนาดได้สำหรับเครือข่าย
  • 2017 (ICLR) [GCN] การจำแนกประเภทแบบกึ่งกำกับดูแลด้วยเครือข่ายกราฟ Convolutional
  • 2017 (KDD) [Struc2vec] struc2vec - การเรียนรู้การแทนโหนดจากเอกลักษณ์โครงสร้าง
  • 2017 (NIPS) [GraphSAGE] การเรียนรู้การเป็นตัวแทนแบบอุปนัยบนกราฟขนาดใหญ่
  • 2018 (Airbnb) (KDD) *[การฝัง Airbnb] การปรับเปลี่ยนในแบบของคุณแบบเรียลไทม์โดยใช้การฝังเพื่อการจัดอันดับการค้นหาที่ Airbnb
  • 2018 (Alibaba) (KDD) *[การฝังอาลีบาบา] การฝังสินค้าโภคภัณฑ์ระดับพันล้านสำหรับคำแนะนำอีคอมเมิร์ซในอาลีบาบา
  • 2018 (ICLR) [GAT] กราฟ Attention Networks
  • 2018 (Pinterest) (KDD) *[PinSage] กราฟ Convolutional Neural Networks สำหรับระบบผู้แนะนำระดับเว็บ
  • 2018 (WSDM) [NetMF] การฝังเครือข่ายเป็นเมทริกซ์การแยกตัวประกอบ - การรวม deepwalk, line, pte และ node2vec
  • 2019 (อาลีบาบา) (KDD) *[GATNE] การเรียนรู้การเป็นตัวแทนสำหรับเครือข่ายมัลติเพล็กซ์ที่ต่างกัน

01_การจับคู่

  • 2013 (Microsoft) (CIKM) [DSSM] การเรียนรู้โมเดลความหมายเชิงโครงสร้างเชิงลึกสำหรับการค้นหาเว็บโดยใช้ข้อมูลการคลิกผ่าน
  • 2015 (KDD) [Sceptre] เครือข่ายที่อนุมานของผลิตภัณฑ์ทดแทนและผลิตภัณฑ์เสริม
  • 2016 (Google) (RecSys) **[Youtube DNN] Deep Neural Networks สำหรับการแนะนำของ YouTube
  • 2018 (Alibaba) (KDD) * [TDM] การเรียนรู้โมเดลเชิงลึกแบบต้นไม้สำหรับระบบผู้แนะนำ
  • 2018 (Pinterest) (KDD) *[PinSage] กราฟ Convolutional Neural Networks สำหรับระบบผู้แนะนำระดับเว็บ
  • 2019 (อาลีบาบา) (CIKM) **[MIND] เครือข่ายหลายความสนใจพร้อมการกำหนดเส้นทางแบบไดนามิกสำหรับคำแนะนำที่ Tmall
  • 2019 (Alibaba) (CIKM) *[SDM] SDM - โมเดลการจับคู่เชิงลึกตามลำดับสำหรับระบบผู้แนะนำออนไลน์ขนาดใหญ่
  • 2019 (อาลีบาบา) (NIPS) *[JTM] การเพิ่มประสิทธิภาพร่วมกันของดัชนีแบบต้นไม้และแบบจำลองเชิงลึกสำหรับระบบผู้แนะนำ
  • การค้นหาผลิตภัณฑ์เชิงความหมาย 2019 (Amazon) (KDD)
  • 2019 (Baidu) (KDD) *[MOBIUS] MOBIUS - มุ่งสู่ยุคถัดไปของการจับคู่คำค้นหาและโฆษณาในการค้นหาที่ได้รับการสนับสนุนของ Baidu
  • 2019 (Google) (RecSys) **[Two-Tower] การสุ่มตัวอย่าง-อคติ-แบบจำลองทางประสาทที่แก้ไขแล้วสำหรับคำแนะนำรายการคลังข้อมูลขนาดใหญ่
  • 2019 (Google) (WSDM) *[Top-K Off-Policy] การแก้ไขนโยบาย Top-K Off-Policy สำหรับระบบผู้แนะนำ REINFORCE
  • 2019 [Tencent] (KDD) ระบบการขุดแนวคิดที่เน้นผู้ใช้เป็นศูนย์กลางสำหรับการสืบค้นและทำความเข้าใจเอกสารที่ Tencent
  • 2020 (อาลีบาบา) (ICML) [OTM] การเรียนรู้โมเดลต้นไม้ที่เหมาะสมที่สุดภายใต้การค้นหาบีม
  • 2020 (Alibaba) (KDD) *[ComiRec] กรอบงานหลายความสนใจที่ควบคุมได้สำหรับคำแนะนำ
  • 2020 (Facebook) (KDD) **[การฝังสำหรับการค้นหาบน Facebook] การดึงข้อมูลแบบฝังในการค้นหาบน Facebook
  • 2020 (Google) (WWW) *[MNS] การสุ่มตัวอย่างเชิงลบแบบผสมสำหรับการเรียนรู้โครงข่ายประสาทเทียมแบบสองทาวเวอร์ในคำแนะนำ
  • 2020 (JD) (CIKM) *[DecGCN] เครือข่าย Convolution กราฟแบบแยกส่วนสำหรับการอนุมานรายการทดแทนและรายการเสริม
  • 2020 (JD) (SIGIR) [DPSR] สู่การดึงข้อมูลเฉพาะบุคคลและความหมาย - โซลูชันแบบครบวงจรสำหรับการค้นหาอีคอมเมิร์ซผ่านการฝังการเรียนรู้
  • 2020 (Microsoft) (Arxiv) TwinBERT - การกลั่นกรองความรู้ไปยังโมเดล BERT ที่มีโครงสร้างคู่เพื่อการดึงข้อมูลที่มีประสิทธิภาพ
  • 2021 (Alibaba) (KDD) * [MGDSPR] การดึงข้อมูลผลิตภัณฑ์แบบฝังในการค้นหา Taobao
  • การเรียนรู้แบบหลายป้ายกำกับขั้นสุดยอดปี 2021 (Amazon) (KDD) สำหรับการจับคู่ความหมายในการค้นหาผลิตภัณฑ์
  • 2021 (Bytedance) (Arxiv) [DR] การดึงข้อมูลเชิงลึก - การเรียนรู้โครงสร้างที่เรียกคืนได้สำหรับคำแนะนำขนาดใหญ่
  • 2022 (Alibaba) (CIKM) **[NANN] [二向箔] การค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณภายใต้การวัดความคล้ายคลึงกันของระบบประสาทสำหรับคำแนะนำขนาดใหญ่
  • 2022 (Alibaba) (CIKM) [CLE-QR] การเขียนข้อความค้นหาใหม่ในการค้นหา TaoBao
  • 2022 (Alibaba) **(CIKM) [MOPPR] การดึงข้อมูลผลิตภัณฑ์เฉพาะบุคคลแบบหลายวัตถุประสงค์ในการค้นหา Taobao
  • 2024 (Bytedance) (KDD) [Trinity] Trinity - Syncretizing Multi-:Long-Tail:Long-Term Interests ทั้งหมดในที่เดียว

แอน

  • 2017 (Arxiv) (Meta) [FAISS] การค้นหาความคล้ายคลึงกันระดับพันล้านด้วย GPU
  • 2020 (PAMI) [HNSW] การค้นหาเพื่อนบ้านที่ใกล้ที่สุดโดยประมาณที่มีประสิทธิภาพและแข็งแกร่งโดยใช้กราฟโลกขนาดเล็กที่นำทางแบบลำดับชั้นได้
  • 2021 (TPAMI) [IVF-PQ] การหาปริมาณผลิตภัณฑ์สำหรับการค้นหาเพื่อนบ้านที่ใกล้ที่สุด

Graph_Neural_Networks

  • 2017 (ICLR) [GCN] การจำแนกประเภทแบบกึ่งกำกับดูแลด้วยเครือข่ายกราฟ Convolutional
  • 2018 (ICLR) [GAT] กราฟ Attention Networks
  • 2018 (Pinterest) (KDD) [PinSage] กราฟ Convolutional Neural Networks สำหรับระบบผู้แนะนำระดับเว็บ
  • 2019 (Alibaba) (KDD) [IntentGC] IntentGC - กรอบงาน Convolution กราฟที่ปรับขนาดได้ หลอมรวมข้อมูลที่แตกต่างกันสำหรับคำแนะนำ
  • 2019 (อาลีบาบา) (KDD) [MEIRec] โครงข่ายประสาทเทียมกราฟที่แตกต่างที่มีแนวทาง Metapath สำหรับการแนะนำเจตนา
  • 2019 (Alibaba) (SIGIR) [GIN] กราฟเครือข่ายความตั้งใจสำหรับการคาดการณ์อัตราการคลิกผ่านในการค้นหาที่ได้รับการสนับสนุน
  • 2020 (อาลีบาบา) (SIGIR) [ATBRG] ATBRG - เครือข่ายกราฟเชิงสัมพันธ์เป้าหมายและพฤติกรรมแบบปรับเปลี่ยนได้เพื่อการแนะนำที่มีประสิทธิภาพ

02_การจัดอันดับล่วงหน้า

  • 2020 (Alibaba) (DLP-KDD) [COLD] COLD - สู่ระบบการจัดอันดับล่วงหน้ารุ่นต่อไป
  • 2023 (Alibaba) (CIKM) [COPR] COPR - การจัดอันดับล่วงหน้าที่มุ่งเน้นความสม่ำเสมอสำหรับการโฆษณาออนไลน์
  • 2023 (Alibaba) (KDD) [ASMOL] คิดใหม่เกี่ยวกับบทบาทของการจัดอันดับล่วงหน้าในระบบการค้นหาอีคอมเมิร์ซขนาดใหญ่

03_การจัดอันดับ

  • บทเรียนเชิงปฏิบัติปี 2014 (ADKDD) (Facebook) จากการคาดการณ์การคลิกโฆษณาบน Facebook
  • 2016 (Google) (DLRS) **[Wide & Deep] การเรียนรู้แบบกว้างและลึกสำหรับระบบผู้แนะนำ
  • 2016 (Google) (RecSys) **[Youtube DNN] Deep Neural Networks สำหรับการแนะนำของ YouTube
  • 2018 (Alibaba) (KDD) **[DIN] เครือข่ายความสนใจเชิงลึกสำหรับการทำนายอัตราการคลิกผ่าน
  • 2019 (อาลีบาบา) (AAAI) **[DIEN] เครือข่ายวิวัฒนาการความสนใจเชิงลึกสำหรับการทำนายอัตราการคลิกผ่าน
  • 2019 (Facebook) (Arxiv) [DLRM] (Facebook) โมเดลการแนะนำการเรียนรู้เชิงลึกสำหรับการปรับเปลี่ยนในแบบของคุณและระบบการแนะนำ Facebook
  • 2019 (Google) (Recsys) ** [Youtube Multi-task] การแนะนำวิดีโอที่จะดูต่อไป - ระบบการจัดอันดับมัลติทาสก์
  • 2020 (Alibaba) (Arxiv) ** [SIM] การสร้างแบบจำลองความสนใจของผู้ใช้ตามการค้นหาพร้อมข้อมูลพฤติกรรมตามลำดับตลอดชีวิตสำหรับการทำนายอัตราการคลิกผ่าน
  • 2020 (JD) (CIKM) **[DMT] Deep Multifaceted Transformers สำหรับการจัดอันดับหลายวัตถุประสงค์ในระบบผู้แนะนำอีคอมเมิร์ซขนาดใหญ่
  • 2020 (Tencent) (Recsys) ** [PLE] Progressive Layered Extraction (PLE) - โมเดลการเรียนรู้แบบมัลติทาสก์ (MTL) ใหม่สำหรับคำแนะนำเฉพาะบุคคล
  • 2021 (Alibaba) (CIKM) * [ZEUS] การเรียนรู้แบบควบคุมตนเองเกี่ยวกับพฤติกรรมที่เกิดขึ้นเองของผู้ใช้สำหรับการจัดอันดับหลายสถานการณ์ในอีคอมเมิร์ซ
  • 2021 (Alibaba) (CIKM) [STAR] โมเดลเดียวที่ให้บริการทั้งหมด - ผู้แนะนำแบบปรับเปลี่ยนโทโพโลยีระดับดาวสำหรับการทำนาย CTR หลายโดเมน
  • 2022 (Alibaba) (Arxiv) ** [ETA] การสร้างแบบจำลองข้อมูลผู้ใช้ตามลำดับยาวที่มีประสิทธิภาพสำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2022 (Alibaba) (WSDM) การสร้างแบบจำลองผลตอบรับตามหน้าเว็บตามบริบทของผู้ใช้สำหรับการคาดการณ์อัตราการคลิกผ่านในการค้นหาอีคอมเมิร์ซ
  • 2022 (Meta) [DHEN] DHEN - เครือข่าย Ensemble ที่ลึกและมีลำดับชั้นสำหรับการทำนายอัตราการคลิกผ่านขนาดใหญ่
  • 2022 (WWW) [FMLP] MLP ที่ปรับปรุงตัวกรองคือสิ่งที่คุณต้องการสำหรับคำแนะนำตามลำดับ
  • 2023 (Alibaba) (Arxiv) [ESLM] กรอบการเรียนรู้ด้านอวกาศทั้งหมด - การคาดการณ์อัตราการแปลงที่เป็นกลางในระบบผู้แนะนำทุกขั้นตอน
  • 2023 (Google) (Arxiv) ในพื้นที่โรงงาน - วิศวกรรม ML สำหรับโมเดลการแนะนำโฆษณาระดับอุตสาหกรรม
  • 2023 (Kuaishou) (Arixiv) [TWIN] TWIN - เครือข่ายความสนใจสองขั้นตอนสำหรับการสร้างแบบจำลองพฤติกรรมผู้ใช้ตลอดชีวิตในการทำนาย CTR ที่ Kuaishou
  • 2023 (Kuaishou) (KDD) [PEPNet] PEPNet - พารามิเตอร์และการฝังเครือข่ายส่วนบุคคลสำหรับการผสานรวมข้อมูลก่อนหน้าส่วนบุคคล
  • 2024 (Kuaishou) (CIKM) [TWINv2] TWIN V2 - การปรับขนาดการสร้างแบบจำลองลำดับพฤติกรรมผู้ใช้แบบยาวพิเศษเพื่อการทำนาย CTR ที่ปรับปรุงแล้วที่ Kuaishou
  • 2024 (Tencent) (KDD) [LCN] การสร้างแบบจำลองลำดับตลอดอายุแบบข้ามโดเมนสำหรับการคาดการณ์อัตราการคลิกผ่านออนไลน์

คลาสสิค

  • 2003 (Amazon) (IEEE) [CF] คำแนะนำของ Amazon.com - การกรองการทำงานร่วมกันแบบรายการต่อรายการ
  • 2009 (คอมพิวเตอร์) [MF] เทคนิคการแยกตัวประกอบเมทริกซ์สำหรับระบบผู้แนะนำ
  • 2016 (ICLR) [GRU4Rec] คำแนะนำตามเซสชันพร้อมโครงข่ายประสาทเทียมที่เกิดซ้ำ
  • 2017 (Amazon) (IEEE) สองทศวรรษแห่งระบบผู้แนะนำที่ Amazon.com

ดีเอ็นเอ็น

  • 2019 (KDD) (Airbnb) ประยุกต์การเรียนรู้เชิงลึกกับการค้นหา Airbnb
  • 2020 (Airbnb) (KDD) ปรับปรุงการเรียนรู้เชิงลึกสำหรับการค้นหา Airbnb

ล่าช้า-ข้อเสนอแนะ-ปัญหา

  • 2008 (KDD) ตัวแยกประเภทการเรียนรู้จากข้อมูลเชิงบวกและไม่มีป้ายกำกับเท่านั้น
  • 2014 (Criteo) (KDD) [DFM] การสร้างแบบจำลองผลตอบรับล่าช้าในการโฆษณาแบบดิสเพลย์
  • 2018 (Arxiv) [NoDeF] โมเดลผลตอบรับล่าช้าแบบไม่มีพารามิเตอร์สำหรับการทำนายอัตรา Conversion
  • 2019 (Twitter) (RecSys) จัดการกับข้อเสนอแนะที่ล่าช้าสำหรับการฝึกอบรมอย่างต่อเนื่องกับโครงข่ายประสาทเทียมในการทำนาย CTR
  • โมเดลผลตอบรับล่าช้าปี 2020 (AdKDD) พร้อมการถดถอยทวินามเชิงลบสำหรับการแปลงหลายครั้ง
  • 2020 (JD) (IJCAI) [TS-DL] โมเดลที่อิงตามความสนใจสำหรับการทำนายอัตรา Conversion พร้อมการตอบสนองที่ล่าช้าผ่านการสอบเทียบหลังการคลิก
  • 2020 (SIGIR) [DLA-DF] อัลกอริธึมการเรียนรู้แบบคู่สำหรับการแปลงล่าช้า
  • 2020 (WWW) [FSIW] การแก้ไขการเปลี่ยนแปลงความคิดเห็นในการคาดการณ์อัตรา Conversion ภายใต้ความคิดเห็นที่ล่าช้า
  • 2021 (Alibaba) (AAAI) [ES-DFM] การบันทึกความคิดเห็นที่ล่าช้าในการทำนายอัตรา Conversion ผ่านการสุ่มตัวอย่างเวลาที่ผ่านไป
  • 2021 (อาลีบาบา) (AAAI) [ESDF] การสร้างแบบจำลองผลตอบรับล่าช้าสำหรับการทำนายอัตราการแปลงพื้นที่ทั้งหมด
  • 2021 (Alibaba) (Arxiv) [Defer] Real Negatives Matter - การฝึกอบรมอย่างต่อเนื่องกับ Real Negatives สำหรับการสร้างแบบจำลองผลตอบรับที่ล่าช้า
  • 2021 (Google) (Arxiv) การจัดการ Conversion จำนวนมากต่อคลิกในการประมาณความคิดเห็นที่ล่าช้า
  • 2021 (Tencent) (SIGIR) การปรับเปลี่ยนรางวัลที่ขัดแย้งกับความเป็นจริงสำหรับคำแนะนำในการสตรีมที่มีการตอบกลับล่าช้า
  • 2022 (Alibaba) (WWW) [DEFUSE] การประมาณค่าที่ไม่เอนเอียงแบบแสดงอาการสำหรับการสร้างแบบจำลองผลตอบรับล่าช้าผ่านการแก้ไขฉลาก

การข้ามคุณสมบัติ

  • 2010 (ICDM) [FM] เครื่องแยกตัวประกอบ
  • 2013 (Google) (KDD) [LR] การคาดการณ์การคลิกโฆษณา - มุมมองจากร่องลึก
  • 2016 (Arxiv) [PNN] โครงข่ายประสาทเทียมที่ใช้ผลิตภัณฑ์สำหรับการทำนายการตอบสนองของผู้ใช้
  • 2016 (Criteo) (Recsys) [FFM] เครื่องแยกตัวประกอบที่รับรู้ภาคสนามสำหรับการทำนาย CTR
  • 2016 (ECIR) [FNN] การเรียนรู้เชิงลึกผ่านข้อมูลหมวดหมู่หลายสาขา - กรณีศึกษาเกี่ยวกับการทำนายการตอบสนองของผู้ใช้
  • 2016 (KDD) [Deepintent] Deepintent - การเรียนรู้ความสนใจสำหรับการโฆษณาออนไลน์ด้วยเครือข่ายประสาทที่เกิดซ้ำ
  • 2016 (Microsoft) (KDD) [Deep Crossing] Deep Crossing - การสร้างแบบจำลองระดับเว็บโดยไม่ต้องมีคุณสมบัติเชิงผสมที่สร้างขึ้นด้วยตนเอง
  • 2017 (Google) (ADKDD) [DCN] Deep & CrossNetwork สำหรับการคาดการณ์การคลิกโฆษณา
  • 2017 (Huawei) (IJCAI) [DeepFM] DeepFM - โครงข่ายประสาทเทียมที่ใช้การแยกตัวประกอบแบบเครื่องจักรสำหรับการทำนาย CTR
  • 2017 (IJCAI) [AFM] เครื่องแยกตัวประกอบแบบตั้งใจการเรียนรู้น้ำหนักของการโต้ตอบของคุณสมบัติผ่านเครือข่ายความสนใจ
  • 2017 (SIGIR) [NFM] เครื่องแยกตัวประกอบทางประสาทสำหรับการวิเคราะห์เชิงคาดการณ์แบบกระจาย
  • 2017 (WWW) [NCF] การกรองการทำงานร่วมกันของระบบประสาท
  • 2018 (CVPR) * [SENet] เครือข่ายบีบและกระตุ้น
  • 2018 (Google) (WSDM) [Latent Cross] Latent Cross การใช้บริบทในระบบผู้แนะนำที่เกิดซ้ำ
  • 2018 (KDD) [xDeepFM] xDeepFM - การผสมผสานการโต้ตอบคุณสมบัติที่ชัดเจนและโดยนัยสำหรับระบบผู้แนะนำ
  • 2018 (TOIS) [PNN] โครงข่ายประสาทเทียมที่ใช้ผลิตภัณฑ์สำหรับการทำนายการตอบสนองของผู้ใช้ผ่านข้อมูลหมวดหมู่แบบหลายฟิลด์
  • 2019 (CIKM) ** [AutoInt] AutoInt - การเรียนรู้การโต้ตอบคุณสมบัติอัตโนมัติผ่านโครงข่ายประสาทเทียมที่เอาใจใส่ตนเอง
  • 2019 (Huawei) (WWW) [FGCNN] การสร้างฟีเจอร์โดย Convolutional Neural Network สำหรับการทำนายอัตราการคลิกผ่าน
  • 2019 (Sina) (Arxiv) [FAT-DeepFFM] FAT-DeepFFM - เครื่องแยกตัวประกอบที่รับรู้ภาคสนามแบบลึกที่ใส่ใจในสนาม
  • 2019 (Sina) (Recsys) [FiBiNET] FiBiNET - การรวมความสำคัญของฟีเจอร์และการโต้ตอบของฟีเจอร์ Bilinear สำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2019 (Tencent) (AAAI) [IFM] เครื่องแยกตัวประกอบที่ตระหนักถึงการโต้ตอบสำหรับระบบผู้แนะนำ
  • 2020 (Baidu) (KDD) [CAN] Combo-Attention Network สำหรับการโฆษณาวิดีโอ Baidu
  • 2021 (Google) (WWW) * [DCN V2] DCN V2 - ปรับปรุงเครือข่ายเชิงลึกและข้ามและบทเรียนเชิงปฏิบัติสำหรับการเรียนรู้ระดับเว็บเพื่อจัดอันดับระบบ
  • 2022 (Alibaba) (WSDM) * [CAN] CAN - นำเสนอเครือข่าย Co-Action สำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2023 (CIKM) * [GDCN] มุ่งสู่เครือข่ายข้ามที่ลึกกว่า เบากว่า และตีความได้สำหรับการทำนาย CTR
  • 2023 (Sina) (CIKM) [FiBiNet++] FiBiNet++ - การลดขนาดโมเดลด้วยเลเยอร์การโต้ตอบฟีเจอร์อันดับต่ำสำหรับการทำนาย CTR
  • 2023 (Sina) (CIKM) [MemoNet] MemoNet - จดจำการนำเสนอฟีเจอร์ Cross ทั้งหมดอย่างมีประสิทธิภาพผ่านเครือข่าย Multi-Hash Codebook สำหรับการทำนาย CTR

การสร้างแบบจำลองลำดับระยะยาว

  • 2019 (Alibaba) (KDD) [MIMN] แบบฝึกหัดเกี่ยวกับการสร้างแบบจำลองพฤติกรรมผู้ใช้แบบลำดับยาวสำหรับการทำนายอัตราการคลิกผ่าน
  • 2019 (Google) (WWW) สู่ผู้แนะนำการผสมประสาทสำหรับลำดับผู้ใช้ที่ขึ้นกับระยะไกล
  • 2020 (Alibaba) (Arxiv) ** [SIM] การสร้างแบบจำลองความสนใจของผู้ใช้ตามการค้นหาพร้อมข้อมูลพฤติกรรมตามลำดับตลอดชีวิตสำหรับการทำนายอัตราการคลิกผ่าน
  • นักปฏิรูปปี 2020 (ICLR) - หม้อแปลงไฟฟ้าที่มีประสิทธิภาพ
  • 2020 (SIGIR) [UBR4CTR] การดึงข้อมูลพฤติกรรมผู้ใช้สำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2021 (Alibaba) (Arxiv) [ETA] การเรียกข้อมูลพฤติกรรมผู้ใช้จากต้นทางถึงปลายทางในรูปแบบการคาดการณ์อัตราการคลิกผ่าน
  • 2022 (Alibaba) (Arxiv) ** [ETA] การสร้างแบบจำลองข้อมูลผู้ใช้ตามลำดับยาวที่มีประสิทธิภาพสำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2022 (Meituan) (CIKM) [SDIM] การสุ่มตัวอย่างคือสิ่งที่คุณต้องการในการสร้างแบบจำลองพฤติกรรมผู้ใช้ระยะยาวสำหรับการคาดการณ์ CTR
  • 2023 (Kuaishou) (Arixiv) [TWIN] TWIN - เครือข่ายความสนใจสองขั้นตอนสำหรับการสร้างแบบจำลองพฤติกรรมผู้ใช้ตลอดชีวิตในการทำนาย CTR ที่ Kuaishou
  • 2023 (Kuaishou) (CIKM) [QIN] เครือข่ายความสนใจของผู้ใช้ที่เน้นข้อความค้นหาสำหรับการจัดอันดับการค้นหาขนาดใหญ่
  • 2024 (Kuaishou) (CIKM) [TWINv2] TWIN V2 - การปรับขนาดการสร้างแบบจำลองลำดับพฤติกรรมผู้ใช้แบบยาวพิเศษเพื่อการทำนาย CTR ที่ปรับปรุงแล้วที่ Kuaishou
  • 2024 (Tencent) (KDD) [LCN] การสร้างแบบจำลองต่อเนื่องตลอดชีวิตแบบข้ามโดเมนสำหรับการคาดการณ์อัตราการคลิกผ่านออนไลน์

การสูญเสีย

  • 2024 (Tencent) (KDD) ทำความเข้าใจกับการสูญเสียอันดับสำหรับคำแนะนำพร้อมคำติชมจากผู้ใช้ที่กระจัดกระจาย
  • 2024 (Tencent) (KDD) [BBP] เหนือกว่าการตั้งค่าแบบไบนารี - การใช้ประโยชน์จากแนวทางแบบเบย์สำหรับการเพิ่มประสิทธิภาพร่วมกันของการจัดอันดับและการสอบเทียบ

หลายกิริยา

  • 2018 (Alibaba) (CIKM) [Image CTR] ความสำคัญของรูปภาพ - การสร้างแบบจำลองพฤติกรรมผู้ใช้ด้วยภาพโดยใช้เซิร์ฟเวอร์แบบจำลองขั้นสูง
  • 2020 (อาลีบาบา) (WWW) [MARN] การเรียนรู้การเป็นตัวแทนหลายรูปแบบของฝ่ายตรงข้ามเพื่อการทำนายอัตราการคลิกผ่าน

หลายโดเมน-หลายสถานการณ์

  • 2014 (TASLP) * [LHUC] การเรียนรู้การมีส่วนร่วมของหน่วยที่ซ่อนอยู่สำหรับการปรับโมเดลอะคูสติกที่ไม่ได้รับการดูแล
  • 2015 (Microsoft) (WWW) แนวทางการเรียนรู้เชิงลึกแบบหลายมุมมองสำหรับการสร้างแบบจำลองผู้ใช้ข้ามโดเมนในระบบการแนะนำ
  • 2018 (Google) (KDD) ** [MMoE] การสร้างแบบจำลองความสัมพันธ์ของงานในการเรียนรู้แบบหลายงานกับผู้เชี่ยวชาญแบบผสมผสานหลายประตู
  • 2019 (Alibaba) (CIKM) [WE-CAN] เครือข่ายความสนใจข้ามโดเมนพร้อม Wasserstein Regularizers สำหรับการค้นหาอีคอมเมิร์ซ
  • 2020 (Alibaba) (Arxiv) [SAML] แนวทางการรับรู้สถานการณ์และการใช้ร่วมกันสำหรับคำแนะนำหลายสถานการณ์ในอีคอมเมิร์ซ
  • 2020 (อาลีบาบา) (CIKM) [HMoE] การปรับปรุงการเรียนรู้แบบหลายสถานการณ์เพื่อจัดอันดับในอีคอมเมิร์ซโดยการใช้ประโยชน์จากความสัมพันธ์ของงานในพื้นที่ป้ายกำกับ
  • 2020 (Alibaba)(CIKM) [MiNet] MiNet - เครือข่ายความสนใจแบบผสมสำหรับการทำนายอัตราการคลิกผ่านข้ามโดเมน
  • 2020 (Tencent) (Recsys) ** [PLE] Progressive Layered Extraction (PLE) - โมเดลการเรียนรู้แบบมัลติทาสก์ (MTL) ใหม่สำหรับคำแนะนำเฉพาะบุคคล
  • 2021 (Alibaba) (CIKM) * [ZEUS] การเรียนรู้แบบควบคุมตนเองเกี่ยวกับพฤติกรรมที่เกิดขึ้นเองของผู้ใช้สำหรับการจัดอันดับหลายสถานการณ์ในอีคอมเมิร์ซ
  • 2021 (Alibaba) (CIKM) ** [STAR] โมเดลเดียวที่ให้บริการทั้งหมด - ผู้แนะนำแบบปรับเปลี่ยนโทโพโลยีระดับดาวสำหรับการทำนาย CTR หลายโดเมน
  • 2022 (Alibaba) (CIKM) AdaSparse - การเรียนรู้โครงสร้างกระจัดกระจายแบบปรับเปลี่ยนได้สำหรับการทำนายอัตราการคลิกผ่านหลายโดเมน
  • 2022 (Alibaba) (NIPS) ** [APG] APG - เครือข่ายการสร้างพารามิเตอร์แบบปรับเปลี่ยนได้สำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2023 (Alibaba) (CIKM) [HC2] ข้อจำกัดด้านคอนทราสต์แบบผสมสำหรับการจัดอันดับโฆษณาหลายสถานการณ์
  • 2023 (Alibaba) (CIKM) [MMN] Masked Multi-Domain Network - การคาดการณ์อัตรา Conversion หลายประเภทและหลายสถานการณ์ด้วยโมเดลเดียว
  • 2023 (Alibaba) (CIKM) [Rec4Ad] Rec4Ad - อาหารกลางวันฟรีเพื่อลดอคติในการเลือกตัวอย่างสำหรับการคาดการณ์ CTR ของโฆษณาใน Taobao
  • 2023 (อาลีบาบา) (SIGIR) [MARIA] การจัดอันดับหลายสถานการณ์พร้อมการเรียนรู้ฟีเจอร์แบบปรับเปลี่ยนได้
  • 2023 (CIKM) [HAMUR] HAMUR - Hyper Adapter สำหรับคำแนะนำแบบหลายโดเมน
  • 2023 (Huawei) (CIKM) [DFFM] DFFM - การสร้างแบบจำลองคุณสมบัติโดเมนอำนวยความสะดวกสำหรับการทำนาย CTR
  • 2023 (Kuaishou) (KDD) * [PEPNet] PEPNet - พารามิเตอร์และการฝังเครือข่ายส่วนบุคคลสำหรับการผสานรวมข้อมูลก่อนหน้าส่วนบุคคล
  • การโต้ตอบของฟีเจอร์ที่ปรับเปลี่ยนตามสถานการณ์ปี 2023 (Tencent) (KDD) สำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2024 (Alibaba) (CIKM) * [MultiLoRA] MultiLoRA - การปรับอันดับต่ำแบบหลายทิศทางสำหรับคำแนะนำแบบหลายโดเมน
  • 2024 (Alibaba) (RecSys) * [MLoRA] MLoRA - เครือข่ายแบบปรับเปลี่ยนได้อันดับต่ำแบบหลายโดเมนสำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2024 (Kuaishou) (SIGIR) [M3oE] M3oE - กรอบงานการแนะนำแบบผสมผสานหลายงานแบบหลายโดเมนของผู้เชี่ยวชาญ
  • 2024 (Tencent) (KDD) [LCN] การสร้างแบบจำลองลำดับตลอดอายุแบบข้ามโดเมนสำหรับการคาดการณ์อัตราการคลิกผ่านออนไลน์
  • 2024 (WSDM) สำรวจการเรียนรู้การถ่ายโอนโดยใช้อะแดปเตอร์สำหรับระบบผู้แนะนำ - การศึกษาเชิงประจักษ์และข้อมูลเชิงลึกเชิงปฏิบัติ

ทำงานหลายอย่างพร้อมกัน

  • (2018) (ICML) GradNorm - การทำให้เป็นมาตรฐานของการไล่ระดับสีสำหรับการปรับสมดุลการสูญเสียแบบปรับตัวในเครือข่ายมัลติทาสก์ระดับลึก
  • 2014 (TASLP) [LHUC] การเรียนรู้การมีส่วนร่วมของหน่วยที่ซ่อนอยู่สำหรับการปรับโมเดลเสียงแบบไม่มีผู้ดูแล
  • 2017 (Google) (ICLR) [Sparsely-Gated MOE] โครงข่ายประสาทเทียมขนาดใหญ่อย่างอุกอาจ - เลเยอร์ผสมของผู้เชี่ยวชาญที่มีรั้วรอบขอบชิดแบบกระจัดกระจาย
  • 2018 (Alibaba) (KDD) [DUPN] รับรู้ผู้ใช้ของคุณในเชิงลึก - การเรียนรู้การเป็นตัวแทนผู้ใช้สากลจากงานอีคอมเมิร์ซหลายงาน
  • 2018 (Alibaba) (SIGIR) [ESMM] โมเดล Multi-Task ในพื้นที่ทั้งหมด - แนวทางที่มีประสิทธิภาพสำหรับการประมาณอัตรา Conversion หลังการคลิก
  • การเรียนรู้แบบหลายงานปี 2018 (CVPR) โดยใช้ความไม่แน่นอนเพื่อชั่งน้ำหนักการสูญเสียสำหรับเรขาคณิตของฉากและความหมาย
  • 2018 (Google) (KDD) ** [MMoE] การสร้างแบบจำลองความสัมพันธ์ของงานในการเรียนรู้แบบหลายงานกับผู้เชี่ยวชาญแบบผสมผสานหลายประตู
  • 2019 (Alibaba) (CIKM) การคาดการณ์ยอดขายแบบหลายงานสำหรับการส่งเสริมการขายออนไลน์
  • 2019 (Alibaba) (Recys) อัลกอริทึม Pareto-Eficient สำหรับการเพิ่มประสิทธิภาพหลายวัตถุประสงค์ในคำแนะนำอีคอมเมิร์ซ
  • 2019 (Google) (AAAI) การกำหนดเส้นทางเครือข่ายย่อย SNR สำหรับการแชร์พารามิเตอร์ที่ยืดหยุ่นในการเรียนรู้แบบมัลติทาสก์
  • 2019 (Google) (Recsys) ** [Youtube Multi-task] การแนะนำวิดีโอที่จะดูต่อไป - ระบบการจัดอันดับมัลติทาสก์
  • 2019 (NIPS) การเรียนรู้แบบหลายงานของ Pareto
  • 2020 (Alibaba) (SIGIR) [ESM2] การสร้างแบบจำลองหลายงานในพื้นที่ทั้งหมดผ่านการแบ่งแยกพฤติกรรมหลังการคลิกสำหรับการทำนายอัตรา Conversion
  • 2020 (Alibaba) (WWW) แนวทางเชิงสาเหตุขนาดใหญ่เพื่อลดอคติการประมาณอัตรา Conversion หลังการคลิกด้วยการเรียนรู้แบบหลายงาน
  • 2020 (Amazon) (WWW) การเพิ่มประสิทธิภาพการจัดอันดับหลายวัตถุประสงค์สำหรับการค้นหาผลิตภัณฑ์โดยใช้ Stochastic Label Aggregation
  • 2020 (Google) (KDD) [MoSE] การผสมผสานมัลติทาสก์ของผู้เชี่ยวชาญตามลำดับสำหรับการสตรีมกิจกรรมของผู้ใช้
  • 2020 (JD) (CIKM) *[DMT] Deep Multifaceted Transformers สำหรับการจัดอันดับหลายวัตถุประสงค์ในระบบผู้แนะนำอีคอมเมิร์ซขนาดใหญ่
  • 2020 (Tencent) (Recsys) ** [PLE] Progressive Layered Extraction (PLE) - โมเดลการเรียนรู้แบบมัลติทาสก์ (MTL) ใหม่สำหรับคำแนะนำเฉพาะบุคคล
  • 2021 (Alibaba) (SIGIR) [HM3] การสร้างแบบจำลองพฤติกรรมระดับไมโครและมาโครตามลำดับชั้นผ่านการเรียนรู้แบบหลายงานเพื่อการทำนายอัตรา Conversion
  • 2021 (Alibaba) (SIGIR) [MSSM] MSSM - โมเดลการแบ่งปันแบบกระจัดกระจายหลายระดับเพื่อการเรียนรู้แบบหลายงานที่มีประสิทธิภาพ
  • 2021 (Baidu) (SIGIR) [GemNN] GemNN - โครงข่ายประสาทเทียมแบบมัลติทาสก์ที่ได้รับการปรับปรุง Gating พร้อมการเรียนรู้การโต้ตอบคุณลักษณะสำหรับการทำนาย CTR
  • 2021 (Google) (Arxiv) [DSelect-k] DSelect-k การคัดเลือกที่แตกต่างโดยผสมผสานผู้เชี่ยวชาญเข้ากับแอปพลิเคชันเพื่อการเรียนรู้แบบหลายงาน
  • 2021 (Google) (ICLR) HyperGrid Transformers - มุ่งสู่โมเดลเดียวสำหรับงานหลายงาน
  • 2021 (Google) (KDD) ทำความเข้าใจและปรับปรุงการแลกเปลี่ยนระหว่างความเป็นธรรมและความแม่นยำในการเรียนรู้แบบหลายงาน
  • 2021 (JD) (ICDE) การผสมผสานที่ขัดแย้งกันของผู้เชี่ยวชาญที่มีข้อจำกัดแบบนุ่มนวลของลำดับชั้นประเภท
  • 2021 (Kwai) (Arxiv) [POSO] POSO - โมดูลสตาร์ทเย็นส่วนบุคคลสำหรับระบบผู้แนะนำขนาดใหญ่
  • 2021 (Meituan) (KDD) การสร้างแบบจำลองการพึ่งพาตามลำดับระหว่างการแปลงหลายขั้นตอนของผู้ชมด้วยการเรียนรู้แบบหลายงานในโฆษณาแบบดิสเพลย์เป้าหมาย
  • 2021 (Tencent) (Arxiv) การผสมผสานของผู้เชี่ยวชาญด้านเคอร์เนลเสมือนสำหรับการสร้างแบบจำลองโปรไฟล์ผู้ใช้หลายวัตถุประสงค์
  • 2021 (Tencent) (WWW) คำแนะนำแบบ Pareto-Efficient โดยประมาณเฉพาะบุคคล
  • 2022 (Google) (WWW) Small Heads ช่วยได้ไหม? การทำความเข้าใจและปรับปรุงลักษณะทั่วไปแบบหลายงาน
  • 2023 (Airbnb) (KDD) เพิ่มประสิทธิภาพเส้นทางการค้นหาของ Airbnb ด้วยการเรียนรู้แบบหลายงาน
  • 2023 (Alibaba) (CIKM) [DTRN] เครือข่ายการนำเสนอด้านล่างเฉพาะงานเชิงลึกสำหรับการแนะนำแบบหลายงาน
  • ระบบการจัดอันดับมัลติทาสก์ปี 2023 (Google) (CIKM) สำหรับฟีดที่สมจริงและไม่ต้องคลิกอีกต่อไป - กรณีศึกษาการแนะนำวิดีโอแบบสั้น
  • 2023 (Google) (KDD) ปรับปรุงเสถียรภาพการฝึกอบรมสำหรับโมเดลการจัดอันดับแบบมัลติทาสก์ในระบบผู้แนะนำ
  • 2023 (Meta) (KDD) AdaTT - เครือข่ายฟิวชั่นแบบงานต่องานแบบปรับเปลี่ยนได้สำหรับการเรียนรู้แบบมัลติทาสก์ในคำแนะนำ
  • 2024 (Airbnb) (KDD) การเรียนรู้แบบหลายวัตถุประสงค์เพื่อจัดอันดับโดย Model Distillation
  • 2024 (Kuaishou) (KDD) [GradCraft] GradCraft - ยกระดับคำแนะนำแบบหลายงานผ่านการประดิษฐ์ไล่ระดับแบบองค์รวม
  • 2024 (Kuaishou) [HoME] HoME - ลำดับชั้นของผู้เชี่ยวชาญแบบ Multi-Gate เพื่อการเรียนรู้แบบ Multi-Task ที่ Kuaishou
  • 2024 (Shopee) (KDD) [ResFlow] ผู้เรียนแบบ Multi-Task ที่เหลือสำหรับการจัดอันดับประยุกต์
  • 2024 (Tencent) (KDD) [STEM] คำแนะนำโฆษณาในโลกที่พังทลายและพันกัน

การฝึกอบรมล่วงหน้า

  • 2019 (Alibaba) (IJCAI) [DeepMCP] การคาดการณ์อัตราการคลิกผ่านที่ช่วยในการเรียนรู้เพื่อเป็นตัวแทน
  • 2019 (SIGIR) [BERT4Rec] (Alibaba) (SIGIR2019) BERT4Rec - การแนะนำตามลำดับพร้อมการแสดงตัวเข้ารหัสแบบสองทิศทางจากหม้อแปลงไฟฟ้า

การสร้างแบบจำลองลำดับ

  • 2016 (Google) (RecSys) **[Youtube DNN] Deep Neural Networks สำหรับการแนะนำของ YouTube
  • 2017 (Google) (NIPS) ** ความสนใจคือสิ่งที่คุณต้องการ
  • 2018 (Alibaba) (KDD) **[DIN] เครือข่ายความสนใจเชิงลึกสำหรับการทำนายอัตราการคลิกผ่าน
  • 2018 (Alibaba) (KDD) [DUPN] รับรู้ผู้ใช้ของคุณในเชิงลึก - การเรียนรู้การเป็นตัวแทนผู้ใช้สากลจากงานอีคอมเมิร์ซหลายงาน
  • 2019 (อาลีบาบา) (AAAI) **[DIEN] เครือข่ายวิวัฒนาการความสนใจเชิงลึกสำหรับการทำนายอัตราการคลิกผ่าน
  • 2019 (Alibaba) (IJCAI) [DSIN] เครือข่ายความสนใจเซสชันเชิงลึกสำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2019 (อาลีบาบา) (KDD) [BST] หม้อแปลงลำดับพฤติกรรมสำหรับคำแนะนำอีคอมเมิร์ซในอาลีบาบา
  • 2019 (Alibaba) (KDD) [DSTN] โครงข่ายประสาทเทียมเชิงพื้นที่เชิงลึกสำหรับการทำนายอัตราการคลิกผ่าน
  • 2019 (อาลีบาบา) (WWW) [TiSSA] TiSSA - แนวทางการใส่ใจตนเองแบบแบ่งเวลาสำหรับการสร้างแบบจำลองพฤติกรรมผู้ใช้ตามลำดับ
  • 2019 (Tencent) (KDD) [RALM] โมเดลที่คล้ายกันตามเวลาจริงสำหรับระบบผู้แนะนำ
  • 2020 (อาลีบาบา) (SIGIR) [DHAN] ความสนใจอย่างลึกซึ้งด้วยเครือข่ายความสนใจแบบลำดับชั้นสำหรับการทำนายอัตราการคลิกผ่าน
  • 2020 (Google) (KDD) [Google Drive] การปรับปรุงคุณภาพคำแนะนำใน Google Drive
  • 2020 (JD) (CIKM) **[DMT] Deep Multifaceted Transformers สำหรับการจัดอันดับหลายวัตถุประสงค์ในระบบผู้แนะนำอีคอมเมิร์ซขนาดใหญ่
  • 2020 (JD) (NIPS) [KFAtt] คาลมานกรองความสนใจสำหรับการสร้างแบบจำลองพฤติกรรมผู้ใช้ในการทำนาย CTR
  • 2020 (JD) (WSDM) [HUP] การสร้างโปรไฟล์ผู้ใช้แบบลำดับชั้นสำหรับระบบผู้แนะนำอีคอมเมิร์ซ
  • 2022 (Alibaba) (WSDM) การสร้างแบบจำลองผลตอบรับตามหน้าเว็บตามบริบทของผู้ใช้สำหรับการคาดการณ์อัตราการคลิกผ่านในการค้นหาอีคอมเมิร์ซ
  • 2022 (JD) (WWW) การสร้างแบบจำลองการรับรู้ของผู้ใช้โดยนัยผ่านรายการผู้สมัครสำหรับการทำนาย CTR ในโฆษณาบนการค้นหา
  • 2023 (JD) (CIKM) [IUI] IUI - การสร้างแบบจำลองความสนใจของผู้ใช้ที่ปรับปรุงตามเจตนาสำหรับการคาดการณ์อัตราการคลิกผ่าน
  • 2023 (Meituan) (CIKM) [DCIN] เครือข่ายความสนใจตามบริบทเชิงลึกสำหรับการคาดการณ์อัตราการคลิกผ่าน
  • TransAct (KDD) ปี 2023 (Pinterest) - โมเดลการดำเนินการของผู้ใช้แบบเรียลไทม์บน Transformer สำหรับคำแนะนำที่ Pinterest

สิ่งกระตุ้น

  • 2022 (Alibaba) (WWW) เครือข่ายเน้นความสนใจเชิงลึกสำหรับการคาดการณ์อัตราการคลิกผ่านในคำแนะนำที่กระตุ้นให้เกิดทริกเกอร์

04_โพสต์อันดับ

  • 1998 (SIGIR) ** [MRR] การใช้ MMR การจัดลำดับใหม่ตามความหลากหลายสำหรับการจัดเรียงเอกสารใหม่และจัดทำสรุป
  • 2548 (WWW) การปรับปรุงรายการข้อเสนอแนะผ่านการกระจายหัวข้อ
  • 2008 (SIGIR) [α-NDCG] ความแปลกใหม่และความหลากหลายในการประเมินการดึงข้อมูล
  • 2009 (Microsoft) (WSDM) ผลการค้นหาที่หลากหลาย
  • 2010 (WWW) การใช้ประโยชน์จากการกำหนดรูปแบบแบบสอบถามใหม่สำหรับการกระจายผลลัพธ์การค้นเว็บ
  • 2016 (Amazon) (RecSys) ความหลากหลายที่ปรับเปลี่ยนได้เฉพาะบุคคลสำหรับการค้นพบภาพ
  • 2017 (Hulu) (NIPS) [DPP] การอนุมาน MAP โลภที่รวดเร็วสำหรับกระบวนการกำหนดจุดเพื่อปรับปรุงความหลากหลายของคำแนะนำ
  • ประจำปี 2018 (อาลีบาบา) (IJCAI) การจัดอันดับการรับรู้อิทธิพลร่วมกันทั่วโลกในการค้นหาอีคอมเมิร์ซ
  • 2018 (อาลีบาบา) (IJCAI) [Alibaba GMV] การจัดอันดับการรับรู้อิทธิพลร่วมกันที่ได้รับการปรับให้เหมาะสมทั่วโลกในการค้นหาอีคอมเมิร์ซ
  • 2018 (Google) (CIKM) [DPP] คำแนะนำที่หลากหลายในทางปฏิบัติบน YouTube ด้วยกระบวนการชี้เป้าที่กำหนด
  • 2018 (SIGIR) [DLCM] การเรียนรู้โมเดลบริบทเชิงรายการเชิงลึกเพื่อการปรับแต่งการจัดอันดับ
  • 2019 (Alibaba) (WWW) [Value-based RL] คำแนะนำที่คำนึงถึงคุณค่าโดยอิงตามการเพิ่มผลกำไรสูงสุดเสริม
  • 2019 (Alibaba) (KDD) [GAttN] คำแนะนำที่แน่นอน-K ผ่านการเพิ่มประสิทธิภาพสูงสุดของ Clique
  • 2019 (Alibaba) (RecSys) ** [PRM] การจัดอันดับใหม่ส่วนบุคคลสำหรับคำแนะนำ
  • 2019 (Google) (Arxiv) การเรียนรู้แบบเสริมกำลังสำหรับระบบผู้แนะนำแบบ Slate - การสลายตัวที่ลากได้และวิธีการปฏิบัติ
  • 2019 (Google) (Arxiv) Seq2slate - การจัดอันดับใหม่และการเพิ่มประสิทธิภาพกระดานชนวนด้วย rnns
  • 2019 (Google) (IJCAI) [SlateQ] SLATEQ - การสลายตัวที่สืบค้นได้สำหรับการเรียนรู้แบบเสริมแรงพร้อมชุดคำแนะนำ
  • 2019 (Google) (WSDM) [Top-K Off-Policy] การแก้ไขนโยบาย Top-K Off-Policy สำหรับระบบผู้แนะนำ REINFORCE
  • 2020 (Airbnb) (KDD) การจัดการความหลากหลายในการค้นหา Airbnb
  • 2020 (Alibaba) (CIKM) [EdgeRec] EdgeRec - ระบบผู้แนะนำบน Edge ใน Taobao บนมือถือ
  • 2020 (Huawei) (Arxiv) การจัดอันดับใหม่ส่วนบุคคลเพื่อการปรับปรุงความหลากหลายในระบบผู้แนะนำสด
  • 2021 (Alibaba) (Arxiv) [PRS] ทบทวนระบบผู้แนะนำในการเรียงสับเปลี่ยนในอนาคต
  • โมเดลการตอบสนองของผู้ใช้ปี 2021 (Google) (WSDM) เพื่อปรับปรุงระบบผู้แนะนำ REINFORCE
  • 2021 (Microsoft) ความหลากหลายได้ทุกที่! การสตรีมกระบวนการจุดกำหนดภายใต้วัตถุประสงค์เชิงจำนวนนับที่เหนี่ยวนำสูงสุด
  • 2023 (Amazon) (KDD) RankFormer - การเรียนรู้เพื่อจัดอันดับตามรายการโดยใช้ป้ายกำกับ Listwide
  • 2023 (Meituan) (KDD) PIER - กรอบการจัดอันดับใหม่จากต้นทางถึงปลายทางตามความสนใจตามความสนใจในอีคอมเมิร์ซ
  • 2024 (Kuaishou) (KDD) [NAR4Rec] โมเดลการสร้างแบบไม่ถอยหลังอัตโนมัติสำหรับการจัดอันดับคำแนะนำใหม่

Seq2Slate

  • 2015 (Google) (Arxiv) การเรียนรู้แบบเสริมกำลังเชิงลึกในพื้นที่ปฏิบัติการแยกขนาดใหญ่
  • 2015 (Google) (Arxiv) การเรียนรู้แบบเสริมกำลังเชิงลึกพร้อมความสนใจสำหรับกระบวนการตัดสินใจแบบ Slate Markov พร้อมสถานะและการดำเนินการในมิติสูง
  • 2017 (KDD) [DCM] โมเดลทางเลือกเชิงลึกโดยใช้เครือข่ายตัวชี้สำหรับการทำนายแผนการเดินทางของสายการบิน
  • 2018 (Microsoft) (EMNLP) [RL4NMT] การศึกษาการเรียนรู้การเสริมแรงสำหรับการแปลด้วยเครื่องประสาท
  • 2019 (Google) (Arxiv) Seq2slate - การจัดอันดับใหม่และการเพิ่มประสิทธิภาพกระดานชนวนด้วย rnns

05_ความเกี่ยวข้อง

  • 2020 (ICLR) [StructBERT] StructBERT - การผสมผสานโครงสร้างภาษาเข้ากับการฝึกอบรมล่วงหน้าเพื่อความเข้าใจภาษาเชิงลึก
  • 2021 (Alibaba) (WWW) การเรียนรู้โมเดลความเกี่ยวข้องของผลิตภัณฑ์จากข้อมูลการคลิกผ่านในอีคอมเมิร์ซ
  • 2023 (Meituan) (CIKM) [SPM] SPM - โครงสร้างการฝึกอบรมเบื้องต้นและสถาปัตยกรรมการจับคู่สำหรับการสร้างแบบจำลองความเกี่ยวข้องในการค้นหา Meituan

06_แคสเคด

  • 2023 (Alibaba) (CIKM) [COPR] COPR - การจัดอันดับล่วงหน้าที่เน้นความสม่ำเสมอสำหรับการโฆษณาออนไลน์
  • 2023 (Alibaba) (KDD) [ASMOL] คิดใหม่เกี่ยวกับบทบาทของการจัดอันดับล่วงหน้าในระบบการค้นหาอีคอมเมิร์ซขนาดใหญ่

07_ใหญ่_รุ่น

  • 2019 (CIKM) [AutoInt] AutoInt - การเรียนรู้การโต้ตอบคุณสมบัติอัตโนมัติผ่านโครงข่ายประสาทเทียมที่เอาใจใส่ตนเอง
  • กฎหมายมาตราส่วนปี 2020 (Arxiv) สำหรับโมเดลภาษาประสาท
  • 2022 (Arxiv) (Meta) DHEN - เครือข่าย Ensemble ที่ลึกและมีลำดับชั้นสำหรับการทำนายอัตราการคลิกผ่านขนาดใหญ่
  • 2024 (Arxiv) (Bytedance) [HLLM] HLLM - การปรับปรุงคำแนะนำตามลำดับผ่านโมเดลภาษาขนาดใหญ่แบบลำดับชั้นสำหรับการสร้างแบบจำลองรายการและผู้ใช้
  • 2024 (Arxiv) ** (Meta) [GR] การกระทำดังกว่าคำพูด - ทรานสดิวเซอร์ลำดับล้านพารามิเตอร์สำหรับคำแนะนำทั่วไป
  • 2024 (PMLR) (Meta) [Wukong] Wukong - สู่กฎหมายมาตราส่วนสำหรับคำแนะนำขนาดใหญ่

ประวัติย่อ

  • 2014 (ICML) [VAE] เบย์รูปแบบการเข้ารหัสอัตโนมัติ
  • 2014 (NIPS) [GAN] Generative Adversarial Nets
  • 2017 (NIPS) [VQ-VAE] การเรียนรู้การเป็นตัวแทนทางประสาทแบบไม่ต่อเนื่อง
  • 2020 (NIPS) [การแพร่กระจาย] แบบจำลองความน่าจะเป็นแบบกระจายตัวแบบ Denoising

การเรียนรู้เชิงลึก

  • 2012 (NIPS) [CNN] การจัดประเภท ImageNet ด้วยโครงข่ายประสาทเทียมแบบ Deep Convolutional
  • 2014 (JMLR) [Dropout] Dropout - วิธีง่ายๆ ในการป้องกัน Neural Networks จากการติดตั้งมากเกินไป
  • 2015 (Google) (JMLR) [BatchNorm] การทำให้เป็นมาตรฐานแบบแบทช์ - เร่งการฝึกอบรมเครือข่ายเชิงลึกโดยการลดการเปลี่ยนแปลง Covariate ภายใน
  • 2015 (OpenAI) (ICLR) [อดัม] อดัม - วิธีการเพิ่มประสิทธิภาพสุ่ม
  • 2016 (CVPR) [ResNet] การเรียนรู้ตกค้างเชิงลึกเพื่อการจดจำภาพ
  • 2016 (OpenAI) (NIPS) [Weight Norm] การทำให้น้ำหนักเป็นมาตรฐาน - การปรับพารามิเตอร์ใหม่อย่างง่ายเพื่อเร่งการฝึกอบรมโครงข่ายประสาทเทียมเชิงลึก
  • 2017 (Arxiv) [LayerNorm] การทำให้เลเยอร์เป็นมาตรฐาน
  • 2017 (Google) (NIPS) [Transformer] ความสนใจคือสิ่งที่คุณต้องการ

นิติศาสตร์มหาบัณฑิต

  • 2013 (Google) (NIPS) [Word2vec] การกระจายการนำเสนอคำและวลีและการจัดองค์ประกอบ
  • 2014 (Google) (NIPS) [Seq2Seq] ลำดับการเรียนรู้ตามลำดับด้วยโครงข่ายประสาทเทียม
  • 2017 (Google) (NIPS) [Transformer] ความสนใจคือสิ่งที่คุณต้องการ
  • 2017 (OpenAI) (NIPS) [RLHF] การเรียนรู้การเสริมกำลังเชิงลึกจากการตั้งค่าของมนุษย์
  • 2018 (OpenAI) (Arxiv) [GPT] การปรับปรุงความเข้าใจภาษาโดย Generative Pre-Training
  • 2019 (Google) (NAACL) [Bert] BERT - การฝึกอบรมล่วงหน้าของหม้อแปลงสองทิศทางเชิงลึกเพื่อการทำความเข้าใจภาษา
  • 2019 (OpenAI) (Arxiv) [GPT2] โมเดลภาษาเป็นผู้เรียนมัลติทาสก์ที่ไม่ได้รับการดูแล
  • กฎหมายมาตราส่วนปี 2020 (Arxiv) สำหรับโมเดลภาษาประสาท
  • 2020 (OpenAI) (Arxiv) [GPT3] โมเดลภาษาเป็นผู้เรียนเพียงไม่กี่คน
  • 2021 (Microsoft) (Arxiv) [LoRA] LoRA - การปรับอันดับต่ำของโมเดลภาษาขนาดใหญ่
  • 2022 (Google) (JMLR) [SwitchTransfomers] เปลี่ยน Transformers - ปรับขนาดเป็นโมเดลพารามิเตอร์ล้านล้านด้วยความกระจัดกระจายที่ง่ายและมีประสิทธิภาพ
  • 2022 (Google) (NIPS) [ChainOfThought] การกระตุ้นเตือนแบบลูกโซ่ทำให้เกิดการใช้เหตุผลในแบบจำลองภาษาขนาดใหญ่
  • 2022 (Google) (TMLR) [ฉุกเฉิน] ความสามารถฉุกเฉินของโมเดลภาษาขนาดใหญ่
  • 2022 (OpenAI) (Arxiv) [InstructGPT] ฝึกโมเดลภาษาให้ทำตามคำแนะนำพร้อมความคิดเห็นจากมนุษย์
  • 2023 (Meta) (Arxiv) [LLaMA] LLaMA - โมเดลภาษาพื้นฐานแบบเปิดและมีประสิทธิภาพ
  • รายงานทางเทคนิค 2023 (OpenAI) (Arxiv) [GPT4] GPT-4

กระทรวงศึกษาธิการ

  • 2017 (Google) (ICLR) [Sparsely-Gated MOE] โครงข่ายประสาทเทียมขนาดใหญ่อย่างอุกอาจ - เลเยอร์ผสมของผู้เชี่ยวชาญที่มีรั้วรอบขอบชิดแบบกระจัดกระจาย
  • 2018 (Google) (KDD) ** [MMoE] การสร้างแบบจำลองความสัมพันธ์ของงานในการเรียนรู้แบบหลายงานกับผู้เชี่ยวชาญแบบผสมผสานหลายประตู
  • 2022 (Google) (JMLR) [SwitchTransfomers] เปลี่ยน Transformers - ปรับขนาดเป็นโมเดลพารามิเตอร์ล้านล้านด้วยความกระจัดกระจายที่ง่ายและมีประสิทธิภาพ
  • 2022 (Meta) (EMNLP) การสร้างแบบจำลองภาษาขนาดใหญ่ที่มีประสิทธิภาพพร้อมการผสมผสานของผู้เชี่ยวชาญ
  • 2024 (Google) (ICLR) จากผู้เชี่ยวชาญแบบเบาบางไปจนถึงแบบเบาบาง

ต่อเนื่องหลายรูปแบบ

  • 2020 (Google) (ICLR) [ALBERT] ALBERT - A Lite BERT สำหรับการเรียนรู้ด้วยตนเองของการเป็นตัวแทนภาษา
  • 2021 (Google) (ICLR) [VIT] รูปภาพมีมูลค่า 16x16 คำ - หม้อแปลงสำหรับการจดจำรูปภาพในขนาด
  • 2021 (openai) (ICML) [คลิป] การเรียนรู้แบบจำลองภาพที่ถ่ายโอนได้จากการกำกับดูแลภาษาธรรมชาติ

self_supervised_learning

  • 2020 (Alibaba) (AAAI) [DMR] การจับคู่ลึกกับรูปแบบอันดับสำหรับการทำนายอัตราการคลิกผ่านส่วนบุคคล
  • 2020 (Alibaba) (CIKM) [BERT4REC] BERT4REC - คำแนะนำตามลำดับด้วยการเป็นตัวแทนของการเข้ารหัสแบบสองทิศทางจากหม้อแปลง
  • 2020 (Alibaba) (KDD) ปลดการดูแลตนเองในผู้แนะนำตามลำดับ
  • 2020 (arxiv) userbert - การเรียนรู้การเป็นตัวแทนผู้ใช้ที่ดูแลตนเอง
  • 2020 (arxiv) [SGL] การเรียนรู้กราฟผู้ดูแลตนเองเพื่อการแนะนำ
  • 2020 (CIKM) [S3REC] S3-REC-การเรียนรู้ที่ดูแลตนเองสำหรับการแนะนำตามลำดับด้วยการเพิ่มข้อมูลร่วมกัน
  • 2020 (EMNLP) [PTUM] PTUM-โมเดลผู้ใช้ฝึกอบรมล่วงหน้าจากพฤติกรรมผู้ใช้ที่ไม่มีป้ายกำกับผ่านการดูแลตนเอง
  • 2020 (SIGIR) การเรียนรู้การเสริมแรงที่ดูแลตนเองสำหรับระบบผู้แนะนำ
  • 2020 (Xiangnan HE) (arxiv) การเรียนรู้กราฟผู้ดูแลตนเองเพื่อการแนะนำ
  • 2021 (Alibaba) (arxiv) [Clrec] การเรียนรู้แบบตรงกันข้ามสำหรับการสร้างผู้สมัคร debiased ในระบบผู้แนะนำขนาดใหญ่
  • 2021 (Alibaba) (CIKM) * [Zeus] การเรียนรู้ที่ดูแลตนเองเกี่ยวกับพฤติกรรมที่เกิดขึ้นเองของผู้ใช้สำหรับการจัดอันดับหลายฉากในอีคอมเมิร์ซ
  • 2021 (Alibaba) (www) การฝึกอบรมก่อนการฝึกอบรมสำหรับคำแนะนำตามลำดับ
  • 2021 (Google) (CIKM) การเรียนรู้ที่ดูแลตนเองสำหรับคำแนะนำรายการขนาดใหญ่
  • 2021 (WSDM) [Prop] Prop-การฝึกอบรมก่อนด้วยการทำนายคำตัวแทนสำหรับการดึงข้อมูลแบบ Ad-Hoc

08_transfer_learning

  • 2014 (Google) (NIPS) [Knoledge Distillation] กลั่นความรู้ในเครือข่ายประสาท
  • 2015 (ICLR) [FitNets] FitNets - คำแนะนำสำหรับอวนลึกบาง ๆ
  • 2018 (Alibaba) (AAAI) [Rocket] Rocket Launching - กรอบสากลและมีประสิทธิภาพสำหรับการฝึกอบรม Light Light ที่มีประสิทธิภาพดี
  • 2018 (KDD) [การจัดอันดับการกลั่น] การจัดอันดับการกลั่น - การเรียนรู้แบบจำลองการจัดอันดับขนาดกะทัดรัดที่มีประสิทธิภาพสูงสำหรับระบบแนะนำ
  • 2019 (ICCV) [RCO] การกลั่นความรู้ผ่านการเพิ่มประสิทธิภาพเส้นทางที่ จำกัด เส้นทาง
  • 2020 (Alibaba) (KDD) *[คุณสมบัติพิเศษการกลั่น] คุณสมบัติที่ได้รับสิทธิพิเศษการกลั่นตามคำแนะนำ Taobao

ข้ามโดเมน

  • 2015 (Microsoft) (www) วิธีการเรียนรู้ลึกหลายมุมมองสำหรับการสร้างแบบจำลองผู้ใช้ข้ามโดเมนในระบบแนะนำ
  • 2016 (JMLR) การฝึกอบรมโดเมน-Adversarial ของเครือข่ายประสาท
  • 2018 (CIKM) Conet - เครือข่ายข้ามความร่วมมือสำหรับคำแนะนำข้ามโดเมน
  • 2019 (Alibaba) (CIKM) [We-Can] เครือข่ายความสนใจข้ามโดเมนกับ Wasserstein Emonalizers สำหรับการค้นหาอีคอมเมิร์ซ
  • 2019 (Alibaba) (KDD) [MGTL] เกม Minimax เช่นการเรียนรู้การถ่ายโอนแบบเลือกตามการเลือก
  • 2019 (CIKM) DTCDR-กรอบการทำงานสำหรับคำแนะนำข้ามโดเมนสองเป้าหมาย
  • 2020 (Alibaba) (CIKM) [Minet] Minet-เครือข่ายความสนใจแบบผสมสำหรับการทำนายอัตราการคลิกผ่านโดเมนผ่านโดเมน
  • 2020 (WSDM) DDTCDR - คำแนะนำข้ามโดเมนการถ่ายโอนคู่ลึก

การเรียนรู้อภิมาน

  • 2019 (Alibaba) (KDD) [S_2META] Meta Learner Sequential Scenario เฉพาะสำหรับคำแนะนำออนไลน์
  • 2020 (Kuaishou) (Sigir) [SML] วิธีการฝึกอบรมระบบแนะนำ วิธีการเรียนรู้แบบต่อเนื่อง

โอนย้าย

  • 2018 (CVPR) parametrization ที่มีประสิทธิภาพของเครือข่ายประสาทลึกหลายโดเมน
  • 2019 (ICML) การเรียนรู้การถ่ายโอนพารามิเตอร์ที่มีประสิทธิภาพสำหรับ NLP
  • 2020 (Tencent) (Sigir) [Peterrec] การถ่ายโอนพารามิเตอร์-ประสิทธิภาพจากพฤติกรรมตามลำดับสำหรับการสร้างแบบจำลองผู้ใช้และคำแนะนำ

09_reinforcement_learning

  • 2010 (Yahoo) (www) [linucb] แนวทางบริบท-แบนด์สำหรับคำแนะนำบทความข่าวส่วนตัว
  • 2018 (Alibaba) (KDD) การเรียนรู้การเสริมกำลังเพื่อจัดอันดับในการค้นหาเครื่องมือค้นหาและแอปพลิเคชันอีคอมเมิร์ซอีคอมเมิร์ซอย่างเป็นทางการการวิเคราะห์และแอปพลิเคชัน
  • 2018 (Spotify) (RECSYS) [Spotify Bandit] สำรวจใช้ประโยชน์และอธิบายคำแนะนำที่อธิบายได้อย่างเป็นส่วนตัวกับ Bandits
  • 2018 [Microsoft] (www) [DRN] DRN - กรอบการเรียนรู้การเสริมแรงอย่างลึกซึ้งสำหรับคำแนะนำข่าว
  • 2019 (Alibaba) (www) [HRL] การรวบรวมผลการค้นหาอีคอมเมิร์ซจากแหล่งที่ต่างกันผ่านการเรียนรู้การเสริมแรงแบบลำดับชั้น
  • 2019 (Google) (ijcai) *[slateq] slateq - การสลายตัวที่ง่ายดายสำหรับการเรียนรู้การเสริมแรงพร้อมชุดคำแนะนำ
  • 2019 (Google) (WSDM) *[Top-K Off-Policy] การแก้ไขแบบปิดนโยบาย Top-K สำหรับระบบผู้แนะนำเสริมกำลัง
  • 2019 (JD) (KDD) [FEEDREC] การเรียนรู้การเสริมแรงเพื่อเพิ่มประสิทธิภาพการมีส่วนร่วมของผู้ใช้ระยะยาวในระบบแนะนำ
  • 2019 (SIGWEB) การเรียนรู้การเสริมแรงอย่างลึกซึ้งสำหรับการค้นหาคำแนะนำและการโฆษณาออนไลน์ - การสำรวจ
  • 2020 (bytedance) (KDD) [RAM] ร่วมกันเรียนรู้ที่จะแนะนำและโฆษณา
  • 2020 (JD) (SIGIR) [NICF] การกรองการทำงานร่วมกันแบบอินเทอร์แอคทีฟของระบบประสาท

การประชุม

KDD2023

  • 2023 (Airbnb) (KDD) การเพิ่มประสิทธิภาพการเดินทางการค้นหา Airbnb ด้วยการเรียนรู้แบบหลายงาน
  • 2023 (Alibaba) (KDD) การจับความผันผวนของอัตราการแปลงในระหว่างการส่งเสริมการขาย - วิธีการใช้ข้อมูลใหม่ใหม่
  • 2023 (Amazon) (KDD) Rankformer-Listwise Learning-to-Rank โดยใช้ Listwide Labels
  • 2023 (Baidu) (KDD) การเรียนรู้การแสดงเอกสารที่ไม่ต่อเนื่องในการค้นหาเว็บ
  • 2023 (Baidu) (KDD) S2PHERE-การฝึกอบรมก่อนการฝึกอบรมกึ่งผู้ดูแลเว็บสำหรับการค้นหาเว็บเกี่ยวกับการเรียนรู้ที่แตกต่างกันเพื่อจัดอันดับข้อมูล
  • 2023 (Google) (KDD) ปรับปรุงเสถียรภาพการฝึกอบรมสำหรับโมเดลการจัดอันดับมัลติทาสก์ในระบบแนะนำ
  • 2023 (Kuaishou) (KDD) แบบจำลองการถดถอยแบบก้าวหน้าแบบต้นไม้สำหรับการทำนายเวลานาฬิกาในคำแนะนำสั้น ๆ
  • 2023 (Kuaishou) (KDD) [Pepnet] Pepnet - พารามิเตอร์และการฝังเครือข่ายส่วนบุคคลสำหรับการแทรกซึมด้วยข้อมูลก่อนหน้านี้
  • 2023 (Meituan) (KDD) Pier-กรอบการจัดอันดับการจัดอันดับจากการจัดอันดับดอกเบี้ยแบบครบวงจร
  • 2023 (Meta) (KDD) Adatt-เครือข่ายฟิวชั่น Task To-Task Task Task สำหรับการเรียนรู้มัลติทาสก์ในคำแนะนำ
  • 2023 (Microsoft) (KDD) Unifier - retriever แบบครบวงจรสำหรับการดึงขนาดใหญ่
  • 2023 (Pinterest) (KDD) การทำธุรกรรม - รูปแบบการกระทำของผู้ใช้เรียลไทม์ที่ใช้หม้อแปลงสำหรับคำแนะนำที่ Pinterest
  • 2023 (Tencent) (KDD) การค้นพบแบบฝังฐานไบนารีที่ Tencent
  • 2023 (Tencent) (KDD) CT4REC - การฝึกอบรมความสอดคล้องที่เรียบง่าย แต่มีประสิทธิภาพสำหรับคำแนะนำตามลำดับ
  • 2023 (TENCENT) (KDD) การโต้ตอบกับคุณลักษณะสถานการณ์แบบปรับสถานการณ์สำหรับการทำนายอัตราการคลิกผ่าน

KDD2024

  • 2024 (airbnb) (KDD) การเรียนรู้หลายวัตถุประสงค์เพื่อจัดอันดับโดยการกลั่นแบบจำลอง
  • 2024 (bytedance) (KDD) [Trinity] Trinity-Syncretizing Multi-: หางยาว: ผลประโยชน์ระยะยาวทั้งหมดในหนึ่งเดียว
  • 2024 (Kuaishou) (KDD) [Gradcraft] Gradcraft - การยกระดับคำแนะนำหลายงานผ่านการสร้างแบบลำดับชั้นแบบองค์รวม
  • 2024 (Kuaishou) (KDD) [NAR4REC] แบบจำลองการกำเนิดที่ไม่ใช่แบบไม่ได้รับการแนะนำ
  • 2024 (Shopee) (KDD) [resflow] ผู้เรียนหลายงานที่เหลืออยู่สำหรับการจัดอันดับที่ใช้
  • 2024 (Tencent) (KDD) ทำความเข้าใจกับการสูญเสียการจัดอันดับสำหรับคำแนะนำด้วยความคิดเห็นของผู้ใช้ที่กระจัดกระจาย
  • 2024 (Tencent) (KDD) [BBP] นอกเหนือจากการตั้งค่าไบนารี - การใช้ประโยชน์จากวิธีการเบย์สำหรับการเพิ่มประสิทธิภาพร่วมของการจัดอันดับและการสอบเทียบ
  • 2024 (Tencent) (KDD) [LCN] การสร้างแบบจำลองตามลำดับชีวิตข้ามโดเมนสำหรับการทำนายอัตราการคลิกผ่านออนไลน์
  • 2024 (Tencent) (KDD) [STEM] คำแนะนำโฆษณาในโลกที่ยุบและพันกัน

บริษัท

Google

  • 2014 (Google) (NIPS) [Knoledge Distillation] กลั่นความรู้ในเครือข่ายประสาท
  • 2015 (Google) (ARXIV) การเรียนรู้การเสริมแรงอย่างลึกซึ้งในพื้นที่แอ็คชั่นขนาดใหญ่ที่ไม่ต่อเนื่อง
  • 2015 (Google) (ARXIV) การเรียนรู้การเสริมแรงอย่างลึก
  • 2016 (Google) (DLRS) ** [กว้าง & ลึก] การเรียนรู้ที่กว้างและลึกสำหรับระบบแนะนำ
  • 2016 (Google) (RECSYS) ** [YouTube DNN] เครือข่ายประสาทลึกสำหรับคำแนะนำ YouTube
  • 2017 (Google) (ICLR) [MOE ที่มีช่องโหว่แบบเบาบาง] เครือข่ายประสาทขนาดใหญ่ที่อุกอาจ-ส่วนผสมของ Experts ผสมผสานแบบเบาบาง
  • 2018 (Google) (CIKM) [DPP] คำแนะนำที่หลากหลายในทางปฏิบัติบน YouTube ด้วยกระบวนการจุดกำหนด
  • 2018 (Google) (KDD) [MMOE] การสร้างแบบจำลองงานความสัมพันธ์ในการเรียนรู้แบบหลายงานด้วยการผสมผสานแบบหลายประตู
  • 2019 (Google) (arxiv) seq2slate - การจัดอันดับใหม่และการเพิ่มประสิทธิภาพกระดานชนวนด้วย RNNS
  • 2019 (Google) (ijcai) *[slateq] slateq - การสลายตัวที่ง่ายดายสำหรับการเรียนรู้การเสริมแรงพร้อมชุดคำแนะนำ
  • 2019 (Google) (ijcai) [slateq] slateq - การสลายตัวที่ง่ายดายสำหรับการเรียนรู้การเสริมแรงพร้อมชุดคำแนะนำ
  • 2019 (Google) (RECSYS) [YouTube Multi -Task] แนะนำวิดีโอที่จะดูต่อไป - ระบบการจัดอันดับมัลติทาสก์
  • 2019 (Google) (WSDM) *[Top-K Off-Policy] การแก้ไขแบบปิดนโยบาย Top-K สำหรับระบบผู้แนะนำเสริมกำลัง
  • 2020 (Google) (ARXIV) การเรียนรู้ที่ดูแลตนเองสำหรับคำแนะนำรายการขนาดใหญ่
  • 2020 (Google) (KDD) [Google Drive] ปรับปรุงคุณภาพคำแนะนำใน Google Drive
  • 2020 (Google) (KDD) [mose] การผสมมัลติทาสก์ของผู้เชี่ยวชาญต่อเนื่องสำหรับสตรีมกิจกรรมของผู้ใช้

jdrecsys

  • 2020 (JD) (CIKM) *[DMT] หม้อแปลงหลายแง่มุมลึกสำหรับการจัดอันดับหลายวัตถุประสงค์ในระบบแนะนำอีคอมเมิร์ซขนาดใหญ่
  • 2020 (JD) (CIKM) *[DECGCN] เครือข่ายการแปลงกราฟกราฟเพื่ออนุมานรายการที่แทนที่และเสริม
  • 2020 (JD) (SIGIR) [NICF] การกรองการทำงานร่วมกันแบบอินเทอร์แอคทีฟของระบบประสาท
  • 2020 (JD) (WSDM) [HUP] การทำโปรไฟล์ผู้ใช้ลำดับชั้นสำหรับระบบแนะนำอีคอมเมิร์ซ

Taobaosearch

  • 2018 (Alibaba) (IJCAI) ได้รับการปรับปรุงการจัดอันดับที่รับรู้ร่วมกันในการค้นหาอีคอมเมิร์ซอย่างดีที่สุดทั่วโลก
  • 2018 (Alibaba) (ijcai) [Jump] Jump - ตัวทำนายร่วมสำหรับการคลิกผู้ใช้และเวลาอยู่อาศัย
  • 2018 (Alibaba) (KDD) [DUPN] รับรู้ผู้ใช้ของคุณในเชิงลึก - การเรียนรู้การเป็นตัวแทนผู้ใช้สากลจากงานอีคอมเมิร์ซหลายงาน
  • 2018 (Alibaba) (www) [MA-RDPG] การเรียนรู้ที่จะทำงานร่วมกัน-การจัดอันดับหลายสแกนผ่านการเรียนรู้การเสริมแรงแบบหลายตัวแทน
  • 2019 (Alibaba) (CIKM) เครือข่ายความสนใจข้ามโดเมนกับ Wasserstein Emonalizers สำหรับการค้นหาอีคอมเมิร์ซ
  • 2019 (Alibaba) (KDD) [MGTL] เกม Minimax เช่นการเรียนรู้การถ่ายโอนแบบเลือกตามการเลือก
  • 2019 (Alibaba) (www) การรวบรวมผลการค้นหาอีคอมเมิร์ซจากแหล่งที่แตกต่างกันผ่านการเรียนรู้การเสริมแรงแบบลำดับชั้น
  • 2020 (Alibaba) (CIKM) [Tien] เครือข่ายวิวัฒนาการรายการที่รับรู้เวลาลึกสำหรับการทำนายอัตราการคลิกผ่าน
  • 2020 (Alibaba) (NIPS) การตัดแต่งกิ่งที่มีโครงสร้างระดับเซลล์ประสาทโดยใช้โพลาไรเซชันแบบปกติ
  • 2020 (Alibaba) (www) [Marn] การเรียนรู้การเป็นตัวแทนหลายรูปแบบ
  • 2021 (Alibaba) (AAAI) [ANPP] กระบวนการทางประสาทที่เอาใจใส่สำหรับการพยากรณ์เหตุการณ์
  • 2021 (Alibaba) (AAAI) [ES-DFM] การจับความคิดเห็นล่าช้าในการทำนายอัตราการแปลงผ่านการสุ่มตัวอย่างเวลาที่ผ่านไป
  • 2021 (Alibaba) (CIKM) [Zeus] การเรียนรู้ที่ดูแลตนเองเกี่ยวกับพฤติกรรมที่เกิดขึ้นเองของผู้ใช้สำหรับการจัดอันดับหลายฉากในอีคอมเมิร์ซ
  • 2021 (Alibaba) (KDD) [MGDSPR] การดึงผลิตภัณฑ์แบบฝังในการค้นหา Taobao
  • 2022 (Alibaba) (CIKM) [CLE-QR] การสืบค้นใหม่ในการค้นหา Taobao
  • 2022 (Alibaba) (CIKM) [MOPPR] การดึงผลิตภัณฑ์ส่วนบุคคลหลายวัตถุประสงค์ในการค้นหา Taobao
  • 2023 (Alibaba) (KDD) [ASMOL] ทบทวนบทบาทของการจัดอันดับก่อนในระบบการค้นหาอีคอมเมิร์ซขนาดใหญ่
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด