2020年度「炼丹笔记」搜索推荐系统干货集锦

v2-071e132c7353c2be34deb925be1bf617_b.jpg
公众号:炼丹笔记

炼丹笔记在8月8日更新了第一篇文章《2020年推荐系统工程师炼丹手册》之后,开启了在推荐领域伟大航路的征程。在伟大航路的前半段,我们公众号主要做三件事情,学术界推荐算法研究解读工业界推荐算法方案实战数据竞赛深度炼丹技巧

2020年的干货集锦,我们主要聚焦推荐领域最新研究成果,通过“问题背景、核心创新点、论文效果”等方面去解读作者的设计思路,同时可以给予我们的启发。问题背景:在什么推荐场景下解决什么类型的推荐问题。核心创新点:最具有独创性和新颖性的技术点是什么,每个技术点在解决什么问题。论文效果:在这个场景下,通过该创新的方法可以达到怎么样的效果,并尝试从中找出对于业务最好的工作。

v2-bbe0576f3fa79f9c33200ed3da5061e5_b.jpg

1. 推荐系统里的那些坑儿

2. 算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(上篇)

3. 算法大佬看了流泪,为什么这么好的CTR预估总结之前没分享(下篇)

4.2020年推荐系统工程师炼丹手册

5.2020年推荐系统工程师炼丹手册第二册上卷

6.2020年推荐系统工程师炼丹手册第二册下卷

v2-10410c063652c9c4981bec70694d580f_b.jpg

1.2020最后一篇!就是这么"硬"!召回系统就该这么做!

2.是"塔"!是"塔"!就是它,我们的双塔!

v2-24d01986afdb9e5ea6a69f35c7deef8b_b.jpg

1. 多目标学习在推荐系统中的应用(汇总,转载,公众号)

2.别说话,复现它!

v2-87e503484967aa74f212e0eb4eb2f797_b.jpg

1.推荐系统多任务学习上分神技!(NMTR,ICDE19)

2. 多任务学习如何做到你好我也好?(PLE,RecSys20)

3. 如何让你的推荐系统具有可解释性?(WWW19)

4.协同过滤算法效果不佳怎么办?知识图谱来帮忙啦(MKR,WWW19)

5.我为什么喜欢它?带有解释的推荐系统第二弹(MT,RecSys18)

6.猜猜你的标签有多少错了?

7.颤抖吧,标签工程来了!

v2-d1cffd717848b0a133f20e1dc5df4ef9_b.jpg

1. AoAFFM:Attention+FFM强强组合(AoAFFM,AAAI20)

2.腾讯赛霸榜神技ONN_NFFM(ONN/NFFM,ArXiv18)

3.曾今的CTR竞赛王者NFM(NFM,SIGIR17)

4.神级特征交叉, 基于张量的多语义交叉网络TFNET!(TFNET,SIGIR20)

5. 效果远超FM,CF最新利器HFM!(HFM,AAAI19)

6. xDeepFM:CTR预估之特征交叉的艺术(xDeepFM,KDD18)

7.I CAN,You CAN,We CAN!让我们一起看看CTR预估的CAN哥!(CAN,ArXiv20)

8.CTR神经网络特征交叉汇总!

9.CTR预估系列炼丹入门手册

10.读了那么多CTR论文, 真正有效的又有几个呢?(ArXiv20)

v2-55a8b3faac33258b72ab284231ad122a_b.jpg

1.令人着迷的时间动态CF算法(早期竞赛神文,2010)

2. DIN!知识点啊朋友们!(DIN,KDD18)

3. 昨天得知她刚买了手机,今天她会爱上这款新耳机吗?(SASRec,ICDM18)

4. 5分钟读完史上第一篇二维卷积序列推荐的论文(CosRec,CIKM19)

5. 又是一篇猛货!(DMIN,CIKM20)

6. 终于有内味了......(DMT,CIKM20)

7. 序列推荐的一些秘密_HGN(HGN,KDD19)

8. RecSys2020-SSE-PT解锁序列数据挖掘新姿势(RecSys20)

9. 序列化推荐系统的挑战,进展和展望!(IJCAI,2019)

10.深夜福利,序列前后滑动的快乐!

11.海归博士说,这是目前实验中最好的序列化推荐算法

v2-406d321e25ad32d75eb4935fad45a3ff_b.jpg

我们分享工作中遇到过的实际问题及相应的解决方案,例如推荐线上线下一致性问题、工业界算法效果评估问题等。同时我们也将身边的业务知识做基础布道,讲述电商搜索推荐领域的业务词汇等。我们致力于将自己的经验知识沉淀,并与大家分享。

1. 是不是你的模型又线下线上不一致啦?(KDD20)

2. 读了那么多CTR论文, 真正有效的又有几个呢?(FuXiCTR,ArXiv20)

3. 好想哭,我居然输在了内存问题上!(KDD20)

4. MF vs MLP:讲述科学调参在推荐模型中的意义(ArXiv)

5.边缘计算+奉送20个推荐系统强特

v2-561453ee0b948ec70ca43727b8bed1d3_b.jpg

我们只关注推荐相关的数据竞赛领域的方案分享,同时为了让自己时刻保持激情与战斗状态,我们会参加一些数据竞赛并在这个过程中分享我们的解题思路与炼丹技巧,在实践中亮剑。

1.CIKM 2019 EComm AI用户行为预测大赛三大方案解读

2.CIKM EComm AI用户行为预测大赛冠军方案解读

3. RecSys2020推荐系统特征工程汇总

4. RecSys2020大赛第一名方案

5.推荐大赛如何在一周时间内打进决赛

6.kaggle竞赛宝典第一章-竞赛框架篇!

7.学术圈竞赛圈大讨论,深度学习真的比不过GBDT模型吗?

8.ICDM2020 Top3方案分享

v2-8a1509b422045c87640122998ae7bc92_b.jpg

不时我们会邀请周边的大佬谈谈对于炼丹算法工程师的一些心路历程,职场感受,对新人的建议,还有其他的一些心得,如果你对于这块比较迷茫也欢迎联系我们哦。

1. 我的成长之路:追逐冠军的男孩

2. 是的,我从阿里离职了。

3. 原创 | 五年前的转正我没有留下,校招进不了大公司就是失败吗?

4. 2020届校招寻职记

5.听说看完这篇的人,从调包侠变成了真正的炼丹侠

6.炼丹失败率高达87%的TOP10原因

weixin.qq.com/r/uRyCmqD
t.zsxq.com/eYjqbYF
weixin.qq.com/g/AQYAADY (二维码自动识别)


本文来自互联网用户投稿,文章观点仅代表作者本人,不代表本站立场,不承担相关法律责任。如若转载,请注明出处。 如若内容造成侵权/违法违规/事实不符,请点击【内容举报】进行投诉反馈!

相关文章

立即
投稿

微信公众账号

微信扫一扫加关注

返回
顶部