标签:ranking Relevant embedding DAE Diversified feature 多样性 item iterm
1. 总体
本文分为两个部分,第一个部分DAE框架,用于学习iterm的embedding, 第二个部分是rerank框架 考虑 user_pref + relevance + diversity。
2. DAE框架
在快手短视频中,存在item embedding 和 item feature 这两个特征是不统一的,本文通过DAE框架学习,通过MLP的映射,将两者映射后 embedding拉近,如loss MSE和InfoNCE,同时不同view的embedding 尽可能不同化 则又LO ,类似GNN中 根据feature 去学习自身表示。有了自身表示则 有相似性,有了多样性则有多样性。
3. 重排选择
根据user和 iterm的关系 获取其pref, 再根据已选择item和当前备选item的相似 获取其相似性,同时根据当前item和已选择item的相似性 p 可获取其多样性 div=1-p, 并顺序 启发的选择下去,div和rev的lambda 和gama 都是超参
4. 评价
本文主要思量是将iterm-embedding和feature embedding 通过 自己训练的形式拉近,相互表示,同时通过multi view的形式加深信息抽取粒度,然后根据获取embed ing 计算iterm 间相似和多样性。原创性在于DAE结构,但该结构的消融实验并未给出,且验证数据不是公开,不知道是否通用,有待 商榷。
标签:ranking,Relevant,embedding,DAE,Diversified,feature,多样性,item,iterm 来源: https://www.cnblogs.com/wubu/p/16596417.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。