wordpress ftp 更新,seo 能提高网站速度吗,上海巨型网站建设,在线视频网站建设未完成.
1. 简述
CIKM 23 的一篇论文, 任务为 Learning To Rank, 输入为 候选集合, 输出为 有序列表, 用于 top-n 推荐场景.
思考:
它是要替代 ctr 预估么?它跟 mind 这种召回, 有啥大的不一样么?
2. 网络结构 u u u: 将用户(或 query) 记为 u H q d X , d Y , . . . H…未完成.
1. 简述
CIKM 23 的一篇论文, 任务为 Learning To Rank, 输入为 候选集合, 输出为 有序列表, 用于 top-n 推荐场景.
思考:
它是要替代 ctr 预估么?它跟 mind 这种召回, 有啥大的不一样么?
2. 网络结构 u u u: 将用户(或 query) 记为 u H q d X , d Y , . . . Hq {d_X,d_Y,...} HqdX,dY,..., 该用户的历史交互序列. D q d A , d B , . . . Dq {d_A,d_B,...} DqdA,dB,..., 候选的商品集合. π \pi π, 生成的商品排列. 图. illustration of STARank
2.1 Arranger Module
前序为 ReaderModule, 使用 LSTM 将 u 与 Hq 作有序的编码, 得到 u q u_q uq.类似于 self-attention, 商品 d 与 u q u_q uq 交互后得到商品的向量 h d h_d hd.然后开始做排列. 见下截图, s d i f ( h d , u 1 , p i ) s_d^if(h_d,u_1,p_i) sdif(hd,u1,pi), 建模 位置与 u_q 信息. 并使用 soft-max 得到概率. Q: 如何令 π i \pi_i πi 感知到 π i \pi_{i} πi 的前序排列的信息呢?
Plackett Luce (PL) module .
2.2 loss
3. 基线对比
