推荐系统 | KDD2019 阿里 Res-embedding for Deep Learning Based Click-Through Rate Prediction Modeling

本文主要是介绍推荐系统 | KDD2019 阿里 Res-embedding for Deep Learning Based Click-Through Rate Prediction Modeling，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

这篇文章是阿里巴巴2019年KDD上的文章，区别以往在MLP层的改进，本篇文章更多关注embedding层的优化。可以带着以下几个问题进行论文阅读，1.为何需要改进Embedding层，2.数学推导证明改进Embedding对提升模型泛化性能的作用3. 如何改进embedding 及 res-embedding的设计4. 相关参数控制和实验结果论证

目录

1. 背景

2. 理论分析

2.1 兴趣延迟模型(interest delay model)

2.2 泛化分析

3. Res-embedding 实现

3.1 interest graph

3.2 优化目标

5. 实验结论

6.总结思考

6.1 内容总结

6.2 个人思考

---

1. 背景

这篇关于推荐系统 | KDD2019 阿里 Res-embedding for Deep Learning Based Click-Through Rate Prediction Modeling的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---