摘要：
背景 用户是否点击一个物品可能受长期兴趣和短期行为的影响，用户的长期兴趣一般比较稳定，短期兴趣会不断变化。现有的工作中对长期兴趣和短期兴趣的建模师混合在一起的，这片论文提出了一种对长期兴趣和短期兴趣分开建模的方法。 方法 用户兴趣建模 U：用户属性，包含了用户ID和行为序列 Ul：用户的长期兴趣表示 阅读全文
摘要：
背景 这是阿里2019年发表的一篇用于召回阶段的序列建模论文，这篇论文主要解决了两个问题： 1. 用户可能有多个兴趣（这篇论文的多个兴趣是指用户是否购买一个商品可能会受颜色、品牌、店铺等多个因素影响），如何建模多个兴趣 2. 用户的兴趣可以分为短期兴趣（当前session），长期兴趣，如何同时建模长 阅读全文
摘要：
训练：对label分桶 serving：落在每个桶的概率*桶均值 阅读全文
摘要：
https://zhuanlan.zhihu.com/p/532850353 https://zhuanlan.zhihu.com/p/554735911 阅读全文
摘要：
背景 现有的工作只把用户表示成一个向量，但一个用户兴趣向量很难捕获用户多方面的兴趣，MIND是阿里提出的用于召回阶段的多兴趣建模论文，这篇论文把用户表示成了多个兴趣向量 方法 MIND的模型结构如下图所示，和常用的召回模型一样，先把每个用户表示成向量： 其中 Iu是用户的行为序列，Pu是用户属性特征 阅读全文
摘要：
背景 通过学习句子的向量表示达到语义搜索、文本相似度计算 方法 正样本：相邻片段 负样本：inbatch其它样本 参考资料 https://zhuanlan.zhihu.com/p/496870495 https://zhuanlan.zhihu.com/p/469474178 阅读全文
摘要：
https://zhuanlan.zhihu.com/p/148416488?utm_id=0 https://zhuanlan.zhihu.com/p/154401513 阅读全文
摘要：
https://zhuanlan.zhihu.com/p/415610118 https://mp.weixin.qq.com/s/gsI-LqaH_uHN0qJH98sS4A 阅读全文
摘要：
生成模型如何生成样本 我们现在有一些样本（如图片），想生成更多的样本（图片），应该怎么做呢？最直接的想法是去学习样本的分布 p(X) ，从这个分布 p(X) 采样就可以了，但是真实的样本分布往往是九曲回肠的，很难通过有限的样本直接学出来 那么可以换个思路，不直接学习分布，而是学习分布的映射，即训练一 阅读全文