在serving 阶段,MIND 模型分别计算各个兴趣 emb 做向量检索,以获取 topN 资源。在 MIND 后续工作中,阿里巴巴团队在多个兴趣索引的 topN 个结果如何合并方面进行了研究和改进。 3. 优势以及存在的问题 MIND 模型优势在于其显性建模了用户多个兴趣,其论文对比说明,建模多个用户向量表示对于推荐是有很大帮助的。尤其是电商...
MIND多兴趣召回实战(一)mp.weixin.qq.com/s?__biz=MzIwNTE0NTgyMQ==&mid=2247484084&idx=1&sn=e6c7827f3d28f0135482d5c42d5a5bc6&chksm=97341106a043981046032e54d03532da9b628820d158a3577476e6cc24510e74a7bd9ca84547#rd 欢迎关注微信公众号:计算广告那些事儿...
1 人赞同了该文章 MIND多兴趣召回实战(二)mp.weixin.qq.com/s?__biz=MzIwNTE0NTgyMQ==&mid=2247484090&idx=1&sn=e5eb6ec290a306ce24e323f1e7b92b36&chksm=97341108a043981ed6cab33de683c045ece516d5f12aee1d315374cf5278467eb1c330a785e7#rd 欢迎关注微信公众号:计算广告那些事儿...
MIND 模型是 2019 年由阿里巴巴团队提出的,其独特之处在于直接建模了用户的多个兴趣,而不是得到一个统一的用户表达。该模型受到了胶囊网络 CapsuleNet 的启发,通过胶囊间的路由计算来提取用户的多个兴趣。在 2020 年,阿里巴巴团队和清华大学团队联合对 MIND 模型进行了改进,提出了 ComiRec 模型 [4]。主要改进在于推...
在 2020 年,阿里巴巴团队和清华大学团队联合对 MIND 模型进行了改进,提出了 ComiRec 模型 [4]。主要改进在于推理阶段。原本的 MIND 在推理得到多个用户兴趣表达后,分别进行 ann 检索以得到召回结果。而 ComiRec 模型则对多个兴趣检索后的检索结果进行了融合,从而进一步保证了召回结果的多样性。
在 2020 年,阿里巴巴团队和清华大学团队联合对 MIND 模型进行了改进,提出了 ComiRec 模型 [4]。主要改进在于推理阶段。原本的 MIND 在推理得到多个用户兴趣表达后,分别进行 ann 检索以得到召回结果。而 ComiRec 模型则对多个兴趣检索后的检索结果进行了融合,从而进一步保证了召回结果的多样性。
03 MIND 改进过程 1. 胶囊初始化改进 2. 路由过程改造 3. 数据与训练 04 实际建模效果 1. 胶囊初始化实验效果 2. 业务实际效果评估 05 总结 06 参考文章 作者卢思彤,出品社区|DataFun 本文介绍了 360 信息流推荐场景下,利用 Mind 对用户行为进行多兴趣抽取及召回的相关工作。主要包括以下六个部分: 业务背景介...
胶囊间的相似性:胶囊间的相似性过高,可能会导致模型重复捕捉相同的兴趣,兴趣召回覆盖不足。 胶囊内资源内容的一致性不足:胶囊内的资源内容可能缺乏一致性,解释性不足。 03 MIND 改进过程 基于以上的缺点,我们的改进从胶囊初始化、路由计算过程、数据与训练方式三个方面展开。
在 2020 年,阿里巴巴团队和清华大学团队联合对 MIND 模型进行了改进,提出了 ComiRec 模型 [4]。主要改进在于推理阶段。原本的 MIND 在推理得到多个用户兴趣表达后,分别进行 ann 检索以得到召回结果。而 ComiRec 模型则对多个兴趣检索后的检索结果进行了融合,从而进一步保证了召回结果的多样性。