DUMN : Deep User Match Network for Click-Through Rate Prediction
个人公众号,欢迎关注
YouChouNoBB
介绍一篇很有意思的论文,DUMN,论文的亮点在于将item侧的行为序列也加入建模,通过计算user to user 的相似度,来表达target user与target item之间的相似度.
论文地址:Deep User Match Network for Click-Through Rate Prediction | Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval
1.主要介绍其中的4个模块
1)Embedding Layer
2)User Representation Layer
3)User Match Layer
4)Output Layer
2.Embedding Layer,主要介绍一些向量的定义
1)User Behavior:
,其中i为itemid
2)Item Behavior:其中为userid,并附带一个用户行为序列
3) : User profile vector,用户基础画像向量
4) : Target item vector,目标item向量
5) : Context vector,上下午场景向量
6) : 用户行为向量,由一系列item的向量组成
7) : item行为向量,由一系列用户的行为向量和画像向量组成
3. User Representation Layer
1)主要由用户行为向量,用户画像向量,Target item向量进行attention计算得到
其中,为用户交互的item向量,为bias,为模型学习的参数矩阵,是激活函数sigmoid
为每个item计算得到的权重,进行归一化为
再将乘回item的向量 得到新的item向量
将新的item向量进行sum pooling得到用户的兴趣表达向量
最终将兴趣表达向量和画像向量concat得到用户的表达向量
4.User Match Layer
这一层主要是通过当前用户与交互过target item的用户向量,来计算用户与用户之间的相关性,从而可以得到当前用户与target item 之间的相关性表达 ,其中的用户向量都是由上一节的user representation layer计算得到
这里有一个值得讨论的地方
1)交互过target item的用户很多,应该怎么选取论文没有讲清楚,只说了取30个比较合适,在实际应用中,我们是否需要选取一些活跃的用户?
2)用交互过target item的用户来计算target user与target item之间的相似度,是否一定需要用这样的模型结构来解决,直接加item侧对应的特征是否能满足需求?
4.1 Relevance Unit
该模块用来衡量用户与用户之间的相似度,计算方式比较简单,使用余弦相似度
其中 表示用户 在上一节计算得到的向量表达,不止target user可以通过这个模块计算,所有user都能通过这个模块计算得到用户向量
通过这种方式,我们可以计算target user和target item交互过的所有user的相似度
这样我们就能用相似度乘上用户表达向量,sum pooling之后得到一个匹配表达向量
同时,我们还可以将所有相似度求和,得到target user与target item的一个匹配度
这个时候再回过来看User Match Layer是不是简单很多了
5.Output Layer
最后输出层就很简单了,匹配表达向量,用户表达向量,匹配度,target item 向量和上下文向量 进行concat,然后经过2层全连接,最后sigmoid输出
个人公众号,欢迎关注
YouChouNoBB
DUMN : Deep User Match Network for Click-Through Rate Prediction相关推荐
- 论文 MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction
MiNet: Mixed Interest Network for Cross-Domain Click-Through Rate Prediction 论文 CIKM 2020 阿里 应用场景 跨域 ...
- 8.Deep Interest Evolution Network for Click-Through Rate Prediction论文详解
一.背景总述 2017年6月阿里妈妈的精准定向检索及基础算法团队放出了论文Deep Interest Network(DIN),用于解决电子商务的CTR预估,再次基础上,最近又放出了改进版本Deep ...
- Deep Match to Rank Model for Personalized Click-Through Rate Prediction
Abstract 点击率(CTR)预测是推荐系统和许多其他应用领域的核心任务.对于CTR预测模型来说,个性化是提高性能和增强用户体验的关键.近年来,人们提出了几种模型来从隐含(implicitly)反 ...
- 论文阅读笔记:Multi-Turn Response Selection for Chatbots with Deep Attention Matching Network
提示:阅读论文时进行相关思想.结构.优缺点,内容进行提炼和记录,论文和相关引用会标明出处. 文章目录 前言 介绍 模型细节 问题符号化 模型结构 注意力模块-Attentive Module 整理表示 ...
- 推荐系统(十二)阿里深度兴趣网络(二):DIEN模型(Deep Interest Evolution Network)
推荐系统(十二)阿里深度兴趣网络(二):DIEN模型(Deep Interest Evolution Network) 推荐系统系列博客: 推荐系统(一)推荐系统整体概览 推荐系统(二)GBDT+LR ...
- 二值网络--Optimize Deep Convolutional Neural Network with Ternarized Weights and High Accuracy
Optimize Deep Convolutional Neural Network with Ternarized Weights and High Accuracy IEEE Winter Con ...
- 目标检测--A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection
A Unified Multi-scale Deep Convolutional Neural Network for Fast Object Detection ECCV2016 https://g ...
- 推荐系统论文DSIN:Deep Session Interest Network
一.背景 前几天写了一篇阿里的论文BST,最后应用在我们自己的新闻推荐场景,离线AUC没有什么提升,今天分享一篇有收益的文章,同样出自阿里. 绝密伏击:推荐系统论文:Behavior Sequence ...
- CTR深度学习模型之 DSIN(Deep Session Interest Network) 论文解读
之前的文章讲解了DIEN模型:CTR深度学习模型之 DIEN(Deep Interest Evolution Network) 的理解与示例,而这篇文章要讲的是DSIN模型,它与DIEN一样都从用户历 ...
最新文章
- freemarker写select组件报错总结(六)
- 【深度学习】基于Pytorch的线性模型概念辨析和实现(一)
- tkinter 笔记 :主体框架窗口内容
- 用四种方法Python求出两个有序数组中的中位数
- h5 app title隐藏_荒岛求生H5:有难度的文字冒险生存游戏,你能生存多久?
- eclipse怎样创建并运行java项目
- 【搬运】卡尔曼滤波详解及实例
- 【图像处理基础】基于matlab GUI图像局部放大【含Matlab源码 1016期】
- DTW(动态时间归整)算法的前世今生
- STM32的串口协议
- C# 自制微信登录窗口,100%还原,数据库(SQL Server)
- C++ 仓库管理系统 控制台
- java实现shapefile文件的解析
- [从头读历史] 第256节 孔子和他的《春秋》 [BC597至BC538]
- MySQL如何同时删除主外键关联的两张表中的数据
- LeetCode之路:122. Best Time to Buy and Sell Stock II
- 如何制定好的串口通信的指令通讯协议
- Bi系统跟数据中台的区别是什么?
- 3DMax高级建模人物骨骼蒙皮!零基础快速入门!不要错过!
- java计算机毕业设计网上志愿服务系统源代码+数据库+系统+lw文档
热门文章
- 改成每天晚上锻炼身体
- BZOJ1415【NOI2005】聪聪和可可
- 学生管理系统(JAVA版) —— 按学号查询信息页面
- 基于JAVA(Springboot框架)助农商城平台系统设计与实现 毕业设计开题报告
- shell 中 ()、(())、[]、[[]]、{} 的作用
- Informatica
- 猴子分桃问题(JAVA实现)
- 图论宽度优先搜索---八数码
- 网络综合布线系统的概述
- http://www.cnblogs.com/tornadomeet/archive/2012/05/24/2515980.html