内容简介：最近在arxiv下载了几篇阿里巴巴淘宝发表的，关于商品搜索排序的论文。 这里通过学习论文内容来分析一下淘宝的搜索排序和推荐实践。Perceive Your Users in Depth: Learning Universal User Representations from Multiple E-commerce Tasks用户画像的通用表示学习
最近在arxiv下载了几篇阿里巴巴淘宝发表的，关于商品搜索 排序 的论文。 这里通过学习论文内容来分析一下淘宝的搜索排序和推荐实践。
Perceive Your Users in Depth: Learning Universal User Representations from Multiple E-commerce Tasks
用户画像的通用表示学习
Virtual-Taobao: Virtualizing Real-world Online Retail Environment for Reinforcement Learning
淘宝搜索的增强学习
Reinforcement Learning to Rank in E-Commerce Search Engine: Formalization, Analysis, and Application
使用增强学习模型来优化排序策略
定义 search session Markov decision process 来形式化搜索过程。然后使用梯度算法来优化决策过程中的排序策略。
A Brand-level Ranking System with the Customized Attention-GRU Model
Attention-GRU 品牌排序模型。要解决的需求是预测用户对品牌的偏好程度。
LSTM and GRU 是两种RNN模型，都具有避免梯度弥散的性质。两者相比之下，GRU参数较少，训练过程较快。我们在模型中引入了 attention 机制。
Multi-Level Deep Cascade Trees for Conversion Rate Prediction
提出一个瀑布结构的决策树集成学习模型
Deep Interest Network for Click-Through Rate Prediction
构建用户兴趣网络模型来预测商品的点击率
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- Redis 内存管理赏析
- ZooKeeper的一致性算法赏析
- 学员优秀博文赏析：双基准快速排序实现
- Spark 的 PIDController 源码赏析及 backpressure 详解
- 分析：基于文本内容推荐和协同过滤推荐
- 《文章推荐系统》系列之推荐流程设计
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
