基于该方法,MIND 模型对胶囊的路由进行了改进: 对于共享使用一个双线性映射矩阵,MIND 作者是考虑到在推荐场景中,用户的行为序列是不定长的,且作者希望多个兴趣映射到同一个空间下。另一方面,我们认为 MIND 作者假定了位置信息在其推荐场景中并不重要,无需对每个序列的位置设计不同的映射矩阵。 由于采用了共享双线性...
阿里2019的文章,也算是多兴趣召回的经典了,全称:Multi-Interest Network with Dynamic Routing for Recommendation at Tmall,基于动态路由的多兴趣网络。 mind属于序列模型召回,序列就是用户行为了。至于为什…
更甚至,当模型计算的用户兴趣向量不准的话,那召回的item可能全是与用户的兴趣偏移的。 2019阿里的论文《Multi-Interest Network with Dynamic Routing for Recommendation at Tmall》就提出一个新的模型Multi-Interest Network with Dynamic routing (MIND) ,能够提取多个用户兴趣向量,更好地捕捉用户多方面的兴趣。 问...
mind召回原理 召回在信息检索与推荐系统中的一般原理。 基于内容的召回: 分析物品特征 :对每个物品(如新闻、商品、视频等)进行特征提取,这些特征可以是文本描述中的关键词、图像的颜色和纹理、音频的旋律等。例如对于一篇新闻文章,提取其中的主题关键词,像“人工智能”“股票市场”等。 计算用户画像与物品的相似度 :...
目前 MIND 召回是手淘首页信息流线上流量占比最高的一路召回。线上的 CASE 与效果都表明了模型的有效性: 既表达了用户多样的兴趣,又展现出了一定的发现性。通过对用户行为的扩展,MIND 模型也可以同时表达用户的搜索兴趣与购买兴趣,更好地对用户兴趣进行刻画与表达。
传统的召回方法通常采用单一的用户向量表示用户的兴趣,然而,这种方法无法准确反映用户多样化的兴趣,导致推荐结果的准确性受到限制。为了解决这个问题,MIND模型应运而生,它采用基于动态路由的用户多向量召回方法,打破了单一兴趣的桎梏。 MIND模型的核心思想是将用户的行为序列聚合成多个兴趣向量,每个向量代表用户的一个潜在...
2019年阿里团队发表在CIKM上的论文“Multi-Interest Network with Dynamic Routing for Recommendation at Tmall”,应用胶囊网络的动态路由算法来构建一个多兴趣网络MIND,是一个召回阶段的模型。 (一)背景 本文是在召回阶段的工作,来满足用户兴趣的物品的有效检索。建立「用户兴趣模型」和「寻找用户兴趣表示」是非常重要...
关于召回阶段的算法,以youtube DNN为代表的向量化召回方式是目前的主流算法之一,但是目前的大多数算法仅仅将用户的兴趣表示成单个的Embedding,这是不足以表征用户多种多样的兴趣的,同时容易造成头部效应。因此本文提出了MIND,同时生成多个表征用户兴趣的Embedding,来提升召回阶段的效果,一起来学习一下。
前面讲的论文大部分都是关于排序的算法,mind作为天猫商城召回阶段的算法,还是很值得阅读的。 一、背景 主流的推荐系统一般都分为matching(召回)和rangking(排序)两个阶段,不管在哪个阶段,都要学习和表示用户的兴趣向量。因此,最关键的能力是为任一阶段建模并得到能代表用户兴趣的向量。现有的大多数基于深度学习的模型...
MIND召回介绍 http://d0evi1.com/mind/ tmall在《Multi-Interest Network with Dynamic Routing for Recommendation at Tmall》开放了它们的召回算法。在matching stage上,提出了Multi-Interest Network with Dynamic routing (MIND)来处理用户的多样化兴趣。特别的,还基于capsule routing机制设计了一个multi-interest ...