《搜索和推荐中的深度匹配》——1.5 近期进展
重磅推荐专栏: 《Transformers自然语言处理系列教程》
手把手带你深入实践Transformers,轻松构建属于自己的NLP智能应用!
尽管传统的机器学习在搜索和推荐匹配方面取得了成功,但深度学习的最新进展为该领域带来了更为重大的进步,提出了许多深度匹配模型。深度学习模型的能力在于能够从原始数据(例如,文本)中学习匹配问题的分布式表示形式,避免手工制作功能的许多限制,并以端到端的方式学习表示形式和匹配网络。此外,深度神经网络具有足够的能力来对复杂的匹配任务进行建模。它们具有灵活性,可以自然地扩展到跨模式匹配,在这种模式下,可以学习通用语义空间来普遍表示不同模式的数据。所有这些特征有助于处理搜索和推荐的复杂性。
在搜索中,深度神经网络可以更有效地解决查询和文档之间的不匹配问题,包括前馈神经网络(FFN),卷积神经网络(CNN)和递归神经网络(RNN),因为它们具有更强大的功能表示学习和匹配功能学习的能力。最值得注意的是,来自Transformer(BERT)的双向编码器表示形式大大提高了搜索匹配的准确性,并成为当今最先进的技术。
在推荐中,最近的关注点已从以行为为中心的协作过滤转变为信息丰富的用户项匹配,如顺序、上下文感知和知识图增强的建议,这些推荐都是由实际场景驱动的。在技术方面,图神经网络(GNN)成为了一种用于表示学习的新兴工具【1】,因为推荐数据可以自然地组织在异构图中,并且GNN具有利用此类数据的能力。
参阅《图神经网络——【KDD 2019】KGAT》
为了处理用户行为序列数据,还采用了自注意力和BERT,这在顺序推荐中显示出令人鼓舞的结果【2】【3】
参阅《深度推荐模型——BERT4Rec [CIKM 19][Alibaba]》
引文
【1】Wang, X., X. He, Y. Cao, M. Liu, and T. Chua (2019a). “KGAT: Knowledge graph attention network for recommendation”. In: Proceedings
of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, KDD 2019, Anchorage, AK, USA, August 4–8, 2019. 950–958.
【2】Sun, F., J. Liu, J. Wu, C. Pei, X. Lin, W. Ou, and P. Jiang (2019). “BERT4Rec: Sequential recommendation with bidirectional encoder representations from transformer”. In: Proceedings of the 28th ACM International Conference on Information and Knowledge Manage-
ment. CIKM ’19. Beijing, China: ACM. 1441–1450.
【3】Yuan, F., X. He, H. Jiang, G. Guo, J. Xiong, Z. Xu, and Y. Xiong (2020). “Future data helps training: Modeling future contexts for session- based recommendation”. In: Proceedings of the Web Conference 2020. WWW ’20. Taipei, Taiwan: Association for Computing Machinery.
303–313.
《搜索和推荐中的深度匹配》——1.5 近期进展相关推荐
- c++两个文档匹配数据_《搜索和推荐中的深度匹配》——1.2 搜索和推荐中匹配统一性...
Garcia-Molina等[1]指出,搜索和推荐中的根本问题是识别满足用户信息需求的信息对象.还表明搜索(信息检索)和推荐(信息过滤)是同一枚硬币的两个方面,具有很强的联系和相似性[2].图1.1 ...
- 《搜索和推荐中的深度匹配》——1.4 推荐匹配的挑战
重磅推荐专栏: <Transformers自然语言处理系列教程> 手把手带你深入实践Transformers,轻松构建属于自己的NLP智能应用! 不匹配的问题在推荐中更加严重.在搜索中,查 ...
- 搜索和推荐系统中的深度匹配模型
文章作者:辛俊波 腾讯 高级研究员 编辑整理:DataFunTalk 导读:推荐系统和搜索应该是机器学习乃至深度学习在工业界落地应用最多也最容易变现的场景.而无论是搜索还是推荐,本质其实都是匹配,搜索 ...
- Deep Learning for Matching in Search and Recommendation 搜索与推荐中的深度学习匹配(1 引言)
#1.1 搜索与推荐的概述 搜索和推荐中的根本问题是从海量信息中识别满足用户信息需求的信息对象.合适时间合适的地点合适上下文.(这个地方得写的专业一点) ##搜索 搜索是一个用户主动输入query(一 ...
- 搜索推荐中的召回匹配模型综述(一):传统方法
Part0 搜索推荐中的匹配模型综述 本文主要启发来源SIGIR2018的这篇综述性slides<Deep Learning for Matching in Search and Recomme ...
- 【推荐实践】腾讯推荐系统中的深度匹配模型
省时查报告-专业.及时.全面的行研报告库 省时查方案-专业.及时.全面的营销策划方案库 [免费下载]2022年6月热门报告合集从零开始了解推荐系统全貌机器学习在B站推荐系统中的应用实践微信视频号实时推 ...
- 【推荐实践】腾讯-推荐系统中的深度匹配模型
导读:推荐系统和搜索应该是机器学习乃至深度学习在工业界落地应用最多也最容易变现的场景.而无论是搜索还是推荐,本质其实都是匹配,搜索的本质是给定 query,匹配 doc:推荐的本质是给定 user,推 ...
- 搜索推荐中的召回匹配模型综述(二):基于表示学习的深度学习方法
" 本文是搜索推荐中的召回匹配模型综述系列的第二篇,上一篇为搜索推荐中的召回匹配模型综述(一)--传统方法. 本文主要介绍了搜索推荐中基于representation learning的深度 ...
- 搜索推荐-《搜素与推荐中的深度学习匹配(Deep Match)技术》
本书介绍 匹配是搜索和推荐中的关键技术,即衡量文档与查询(Query)的相关性或用户对项目的兴趣.机器学习算法已经被用来解决该问题,该问题基于输入表示和带标签的数据来学习一个匹配函数,也称为" ...
- 不等距双杆模型_搜索中的深度匹配模型(下)
由于知乎字数限制,单篇文章字数限制不超过5万字,这篇文章主要为上一篇的延续 前文链接: 搜索中的深度匹配模型 4.3 match function模型总结 5.搜索中query和doc的相关性匹配模型 ...
最新文章
- AlertDialog 宽度充满整个屏幕
- 【转】InstantClient安装使用
- 1. redis简介
- 趣学python3(25)-del,deepcopy以及内存引用计数
- SqlParameter的作用与用法
- vscode 调试_如何使用VSCode调试JS?
- sum 去重_总结leetcode上【排列问题】【组合问题】【子集问题】回溯算法去重的两种写法!...
- 图像局部特征(二十)--Textons
- Javascript校验含中文的字符串长度
- 运用hanlp 通过 python 结合jpype 导出依存句法可视化
- arcgis加载谷歌地图和天地图
- 第7集 驱动与电气原理图绘制
- Handler消息机制详解,另对于MessageQueue阻塞线程的详解
- 【基金申报】研究目标、内容、方案之间的区别,一文全了解
- echarts 保存/导出图片
- 从“零”开始的C语言
- 生命游戏 Life of Game
- 车辆清洗系统-全自动洗车机-龙门清洗系统-自助洗车系统-自动洗车机解决方案
- Android 常用色值
- 高防服务器维护,高防服务器是如何进行防御的?