1 .业务背景直播推荐与内容推荐异同,k歌直播与其他直播(如虎牙)差异:
2 .推荐系统体系结构和课题推荐系统体系结构
3召回模型算法设计召回模型迭代
3.1双塔机型(DSSM ) ) ) ) ) ) )。
3.2召回多模态模式实践
针对item侧性多模态的嵌入式:
在http://www.Sina.com/: http://www.Sina.com/: kogo直播服务(如播音员id )中,许多直播室理解为连接Song ID并根据Song ID进行嵌入式我理解可能是播音员唱的歌或者背景音乐。Live Streaming View:本部分是直播间内容理解——直播间视频、音频的嵌入式。 我知道在线服务这一部分的特征应该异步计算,但直播间的视频、音频特征具有实时性。Song View另外,由于视频、音频的特点,其实Multi-media View最后,直接给user看的是直播间的头像图像和房间的title,例如,某个男性user 另一个如何异步的截取?这是一个问题上图显示,每种模式的嵌入式与用户嵌入式分别进行相似度培训。 *这样,每个item有三个嵌入式。 在线服务召回TopK时,需要加重。 但是,这种方法忽略了不同模式之间的权重。 *我想到的另一个方案是对直播间头像图片、房间title的内容理解应该来的会更加直接,但是有些直播间可能不存在Song ID,需要进行特征缺失处理。
4 .精细阵列模型的算法设计精细阵列模型的多维迭代
4.1.1特征处理
4.1.2采样和加权
4.2.1特征交叉——KFM
在此定义了称为KFM的东西,但实际上多模态融合的问题I,j phi_{i,j}I,j是将j维映射到I维向量的全连接神经网络。 由此,可以自由地交叉不同bit维的特征。
4.2.2特征交叉——DeepKFMCross|AutoInt在Cross、AutoInt中引入了高阶特征:
4.2.3特征交叉——DeepBitInt
实际上,从为每个字段创建emb开始,到为每个位单元创建emb,但在实现上反而更加统一和方便。
4.3.1 CVR估计——ESMM
4.3.2参考CVR估计—— grad norm:《多任务学习——【ICML 2018】GradNorm》
4.3.3参考CVR估计—— cgc:《多任务学习——【RecSys 2020】【腾讯视频】PLE》