02 2025 档案

摘要:1. 准备工作 1. 申请个人域名 免费方式:从 ClouDNS.net上创建账号申请即可,右上角可以选择中文。如果实在不会操作,可以参考:教你免费注册一个ClouDNS永久域名(保姆级教程) ,还可以自行搜索或问大模型或留言。 付费方式:从 主流域名注册商注册,国外:namesilo 比较便宜,国 阅读全文
posted @ 2025-02-09 15:00 稳住·能赢 阅读(15) 评论(0) 推荐(0) 编辑
摘要:创意优化 创意需要将向用户推送广告的关键原因明确表达出来 程序化创意 地域性创意 搜索重定向创意 个性化重定向创意 电机热力图 电机热力图是将某一个创意各位置被点击的密度用热力图方式呈现,帮助创意优化者直观的发现和解决其中的问题 创意的发展趋势 视频化 激励视频形式 交互化 实验框架 一个实用的实验 阅读全文
posted @ 2025-02-09 12:58 稳住·能赢 阅读(7) 评论(0) 推荐(0) 编辑
摘要:广告交易平台ADX cookie映射 解决供给方和需求方身份对应问题 重点关注三个问题:由谁发起,在哪里发起,谁保存映射 询价优化 对每次展示中询价的DSP数进行精简,尽可能只向那些可能赢得拍卖的DSP询价 两种思路:工程规则思路和带约束的优化问题 需求方平台DSP 实时竞价环境下:提供定制化用户分 阅读全文
posted @ 2025-02-09 12:57 稳住·能赢 阅读(4) 评论(0) 推荐(0) 编辑
摘要:点击率预测模型 点击率:把点击事件h看成一个二元取值的随机变量,取值为真(h=1)的概率就是点击率 点击事件分布:表示成以点击率μ为参数的二项分布 点击率基础模型:逻辑回归(LR),在(a,u,c)组合与点击率μ之间建立函数关系,表示成对μ(a,u,c)=p(h=1|a,u,c)的概率建模问题 LR 阅读全文
posted @ 2025-02-09 12:57 稳住·能赢 阅读(18) 评论(0) 推荐(0) 编辑
摘要:竞价广告计算法 常用的定价策略 广义第二高价(GSP) 市场保留价(MRP) 价格挤压 最关键的两个计算问题 广告检索 广告排序 搜索广告系统 优化目标 关键技术 查询扩展 意义:需求方通过扩展关键词获得更多的流量,供给方借此来变现更多流量和提高竞价的激烈程度 扩展方法 第五章介绍了精确匹配、短语匹 阅读全文
posted @ 2025-02-09 12:57 稳住·能赢 阅读(53) 评论(0) 推荐(0) 编辑
摘要:信息检索 倒排索引:从大量文档中查找包含某些词的文档集合 向量空间模型(Vector Space Model, VSM):最基础最重要的相似度度量方法之一 文档表示方法:用各个关键词在文档中的强度(如TF-IDF)组成的矢量来表示文档 词频(Term Frequency, TF):某文档中,该词出现 阅读全文
posted @ 2025-02-09 12:56 稳住·能赢 阅读(1) 评论(0) 推荐(0) 编辑
摘要:个性化系统框架 计算广告是根据个体用户信息投送个性化内容的典型系统之一 个性化系统的构成部分 用于实时响应请求,完成决策的『在线投放引擎』 离线的『分布式计算』数据处理平台 用于在线实时反馈的『流计算平台』 连接和转运上面三部分数据流的『数据高速公路』 协作流程 『在线投放系统』的日志接入『数据高速 阅读全文
posted @ 2025-02-09 12:56 稳住·能赢 阅读(8) 评论(0) 推荐(0) 编辑
摘要:1. 离线评估 (1)介绍 离线评估是最常用、最基本的。顾名思义就是:我们将模型部署于线上环境之前,在离线环境下进行的评估。由于不用部署到生产环境,“离线评估”没有线上部署的工程风险,也不会浪费宝贵的线上流量资源,而且具有测试时间短,可多组并行,以及能够利用丰富的线下计算资源等诸多优点。 (2)评估 阅读全文
posted @ 2025-02-09 12:50 稳住·能赢 阅读(47) 评论(0) 推荐(0) 编辑
摘要:参考资料 《深度学习推荐系统实战》 -- 极客时间,王喆 阅读全文
posted @ 2025-02-09 12:50 稳住·能赢 阅读(5) 评论(0) 推荐(0) 编辑
摘要:特征组合和特征交叉问题非常常见,特征的种类非常多,特征交叉的复杂程度也要大得多。解决这类问题的关键,就是模型对于特征组合和特征交叉的学习能力,因为它决定了模型对于未知特征组合样本的预测能力,而这对于复杂的推荐问题来说,是决定其推荐效果的关键点之一。 那特征交叉与深度学习模型的拟合能力有什么关系呢?以 阅读全文
posted @ 2025-02-09 12:50 稳住·能赢 阅读(29) 评论(0) 推荐(0) 编辑
摘要:1. 深度学习模型拟合能力更强 特征交叉方式中,点积等方式过于简单,在样本数据比较复杂的情况下,容易欠拟合。而深度学习可以大大提高模型的拟合能力,比如在 NeuralCF(神经网络协同过滤)模型中,点积层被替换为多层神经网络,理论上多层神经网络具备拟合任意函数的能力,所以我们通过增加神经网络层的方式 阅读全文
posted @ 2025-02-09 12:49 稳住·能赢 阅读(9) 评论(0) 推荐(0) 编辑
摘要:1. 协同过滤(CF) 1. 里程碑 2003年,Amazon发表论文《Amazon.com recommendations: item-to-item collaborative filtering》,不仅让Amazon的推荐系统广为人知,更让协同过滤成为今后很长时间的研究热点和业界主流的推荐模型 阅读全文
posted @ 2025-02-09 12:49 稳住·能赢 阅读(15) 评论(0) 推荐(0) 编辑
摘要:基础架构、特征工程、线上服务融会贯通 一张脑图比较大,加载比较慢。 参考资料 《深度学习推荐系统实战》 -- 极客时间,王喆 阅读全文
posted @ 2025-02-09 12:48 稳住·能赢 阅读(2) 评论(0) 推荐(0) 编辑
摘要:1. 高并发线上服务 1. 工业级推荐服务器功能 需要跟离线训练好的模型打交道,把离线模型进行上线,在线进行模型服务(Model Serving), 需要跟数据库打交道,把候选物品和离线处理好的特征载入到服务器 召回层、排序层、业务逻辑(结果多样性、流行度) AB 测试 2. 高并发推荐服务整体架构 阅读全文
posted @ 2025-02-09 12:48 稳住·能赢 阅读(12) 评论(0) 推荐(0) 编辑
摘要:1. Embedding是什么 Embedding 就是用一个数值向量“表示”一个对象(Object)的方法 解读1:左边例子,从 king 到 queen 的向量和从 man 到 woman 的向量,无论从方向还是尺度来说它们都非常接近。 解读2:右边例子也很典型,从 walking 到 walk 阅读全文
posted @ 2025-02-09 12:48 稳住·能赢 阅读(18) 评论(0) 推荐(0) 编辑
摘要:1. 特征与工程 (1)特征就是对具体行为的抽象,但是抽象过程会造成信息的损失 ① 因为具体的推荐行为和场景中包含大量原始的场景、图片和状态信息,保存所有信息的存储空间过大,我们根本无法实现。 ② 因为具体的推荐场景中包含大量冗余的、无用的信息,把它们都考虑进来甚至会损害模型的泛化能力。 (2)特征 阅读全文
posted @ 2025-02-09 12:47 稳住·能赢 阅读(9) 评论(0) 推荐(0) 编辑
摘要:1. 深度学习推荐系统基础概念 2. 从0到1搭建深度学习推荐系统 -- 开源项目Sparrow RecSys实操(以Mac为例) (1)安装Scala 2.11(务必是2.11大版本,否则与开源项目设置的版本号不匹配,会有执行失败的问题) brew update brew install scal 阅读全文
posted @ 2025-02-09 12:47 稳住·能赢 阅读(6) 评论(0) 推荐(0) 编辑
摘要:1. Facebook的深度学习推荐系统 2014年,Facebook发表了广告推荐系统论文GBDT+LR。严格意义上讲,这并不属于深度学习的范畴,但在当时,这种方式进行特征的自动组合和筛选,开启了特征工程模型化、自动化的新阶段。并且其在2014年就采用的在线学习、在线数据整合、负样本降采样等技术至 阅读全文
posted @ 2025-02-09 12:46 稳住·能赢 阅读(16) 评论(0) 推荐(0) 编辑
摘要:物品冷启动评价指标 物品冷启动目标 精准推荐:新物品的推荐效果往往比较差 激励发布:新物品得到较多流量后,更容易激励作者。 挖掘高潜:从新物品中挖掘高质量物品。 评价指标 作者指标:发布渗透量、人均发布量等 用户指标:新笔记的交互率、大盘指标(比如日活、月活、时长) 内容指标:新物品中的高热笔记占比 阅读全文
posted @ 2025-02-09 12:43 稳住·能赢 阅读(12) 评论(0) 推荐(0) 编辑
摘要:重排是精排的后处理操作。 物品多样性 相似度度量 基于物品属性标签 基于物品向量表征 (1)双塔模型的物品塔,但是因为头部效应问题导致学不好物品向量表征 (2)基于图文内容学习 CLIP - 基于图文内容的物品向量表征 原理 对于图片-文本二元组数据进行对比学习,预测图文是否匹配。优点是:无需人工标 阅读全文
posted @ 2025-02-09 12:35 稳住·能赢 阅读(7) 评论(0) 推荐(0) 编辑
摘要:简单平均 lastN特征 把用户最近n次交互的物品Embedding向量取平均,作为一个用户特征使用。 适用于召回双塔模型、粗排三塔模型、精排模型。 DIN 原理 本质:用加权平均代替平均,也就是注意力机制。 注意力机制不适用于召回双塔和粗排三塔。因为需要用到候选物品,而用户塔看不到候选物品。 缺点 阅读全文
posted @ 2025-02-09 12:29 稳住·能赢 阅读(13) 评论(0) 推荐(0) 编辑
摘要:FM 线性模型 设有d个特征,记为:XX=[x1,x2,...,xd],则线性模型的表达式为: p=b+i=1dwi·xi其中,b为偏置,总共d+1个模型参数。p是预测结果,也就是特征和权 阅读全文
posted @ 2025-02-09 12:29 稳住·能赢 阅读(15) 评论(0) 推荐(0) 编辑
摘要:精排 - 多目标模型 简单的多目标模型 模型结构 损失函数和训练 问题 数据集通常是类别及不平衡的,比如总共1000次曝光,其中只有100次点击,10次收藏,收藏次数对于曝光来说相差极大。 解决方案:通常使用负样本降采样的方法。 预估校准:负样本降采样之后,就改变了各个目标的实际分布,所以模型的预估 阅读全文
posted @ 2025-02-09 12:29 稳住·能赢 阅读(7) 评论(0) 推荐(0) 编辑
摘要:ItemCF召回 ItemCF原理 (1)jlike(user,itemj)·sim(itemj,item)用图表示为: 物品相似度计算方法 \[sim(i_1, i_2) = \frac{|V|}{\sqrt{|W_1| · 阅读全文
posted @ 2025-02-09 00:50 稳住·能赢 阅读(44) 评论(0) 推荐(0) 编辑

点击右上角即可分享
微信分享提示