前期融合：先对所有特征做concat，再输入DNN，一般常见于精排模型 特点：线上推理代价大，若有n个候选item需要做n次模型计算 后期融合：把用户和物品特征分别输入不同的神经网络，不对用户和物品做融合，常见于召回双塔 特点：线上计算量小，用户塔只需要做一次线上推理，计算用户表征a，物品表征b事先存储在向量数据库，物品塔在线上不做推理；预估准确性不如精排模型。 粗排模型：一般介于

课程特点：系统、清晰、实用，原理和落地经验兼具 b站：https://www.bilibili.com/video/BV1HZ421U77y/?spm_id_from=333.337.search-card.all.click&vd_source=b60d8ab7e659b10ea6ea743ede0c5b48 讲义：https://github.com/wangshusen/Recommende

精排算法在许多场景中都有应用，如文本检索、对话问答、推荐等场景中，使用匹配算法首先召回了一系列相似的样本集合，然后需要对这些召回的样本进行精准的排序，得到最优的序列返回给用户。 对于faq问答系统，使用文本匹配和es查询出召回样本集合后，需要返回top1的结果作为最相似问题返回，输入数据为query以及候选doc，输出为相似的百分比。 一、数据预处理 首先需要将原始的问题，回答的数据构造成文

1.DeepFM模型 1.1 DeepFM模型产生背景 DNN的参数过大：当特征One Hot特征转换为Dense Vector时，网络参数过大。FNN和PNN的交叉特性少：使用预训练好的FM模块，连接到DNN上形成FNN模型，后又在Embedding layer和hidden layer1之间增加一个product层，使用product layer替换FM预训练层，形成PNN模型FNN:

小结 补充了推荐系统的相关背景知识，可以更好地理解本次所学习的两个模型：DeepFM和DIN在推荐系统中的作用（精排）。 随后学习了DeepFM和DIN两个模型的结构，理解模型的诞生背景或许是更加值得关注的。 DeepFM的大背景尝试让模型是学习更多的特征，来提升推荐模型的效果，创新点在于并行处理了FM和DNN，使得高低阶的特征更好地被结合和学习； DIN的大背景是在累积了足够多的历史用户

搜索推荐系统专栏简介：搜索推荐全流程讲解（召回粗排精排重排混排）、系统架构、常见问题、算法项目实战总结、技术细节以及项目实战（含码源） 专栏链接：推荐系统相关技术业务落地方案及码源 订阅本专栏你能获得什么？ 前人栽树后人乘凉，本专栏提供资料： 推荐系统算法库，包含推荐系统经典及最新算法讲解，以及涉及后续业务落地方案和码源本专栏会持续更新业务落地方案以及码源。同时我也会整理总

场景：精排（多任务学习） 模型：ESMM、MMOE 数据：Ali-CCP数据集 什么是精排？ 精排的目标是粗排中输出的TopK数据，因此可以使用比粗排更多的特征，更复杂的模型和更精细的策略（用户的特征和行为在该层的大量使用和参与也是基于这个原因）。 什么是多任务学习？ 多任务学习（multi-task learning），本质上是希望使用一个模型完成多个任务的建模。在推荐系统中，多

一、深度排序模型在淘宝直播的演进与应用 淘内直播这篇文章把几种常见的多目标（mtl mmoe ple 这几种是默认每种目标之间没有关系 所以共同share一个底层数据、essm gmsl 贝叶斯mtl 与前面相反 把几种目标之间按照序串联起来 以此建模）写的很清楚 1：最基础的mtl 重点1：在shared MLP layer层还是共享，然后每个目标有自己的specific MLP la

【推荐系统】推荐算法：冷启动-召回-粗排-精排-重排 解读 文章目录 【推荐系统】推荐算法：冷启动-召回-粗排-精排-重排 解读1. 介绍2. 冷启动2.1 用户冷启动2.1.1 利用用户注册信息冷启动2.1.2 好物推荐冷启动2.1.3 问题启发式冷启动2.1.4 社交冷启动2.1.5 联邦学习冷启动2.1.6 模型冷启动2.17 多域冷启动 2.2 Item 冷启动2.2.1 用户粉丝