2020年终大会-推荐算法：3-3.pdf

编号：29851

PDF 26页 22.24MB 下载积分：VIP专享

下载报告请您先登录！

2020年终大会-推荐算法：3-3.pdf

1、EdgeRec：边缘计算在推荐系统中的应用龚禹阿里巴巴淘系推荐技术团队 2020.12.19 Road Map 背景端上重排系统端上混排系统端上训练与千人千模背景边缘计算 v.s. 云计算 Overload on Cloud 互联网应用及用户规模爆炸式增长 5G普及、带宽增加存储压力大规模神经网络模型计算压力巨大的通信开销交互和体验瓶颈运维成本和故障风险 Advantages on Edge 终端设备的存储计算能力快速发展数据本地化：解决云存储及隐私问题计算本地化：解决云计算过载问题低通信成本：解决交互和体验问题去中心化计算：故障规避与极致个性化 Edge Co

2、mputing: Bring Code to Data 临近性高带宽低延时隐私性重新思考工业界信息流推荐？ Q1：区别于学术界基于MovieLens等的评分（或点击率）预测任务信息流推荐是一个人机交互的系统并有无法忽略的上下文环境 Q2：信息流推荐的目标（如：浏览量 PV、点击量 IPV、成交量 GMV）和传统搜索引擎的目标（如：相关性）的不同信息流推荐系统强调整体收益最大化推荐系统新架构召回粗排精排重/混排个性化检索效率预估展现决策云端端-云协同的推荐系统架构传统推荐系统架构端上重排系统业务问题推荐系统输入/反馈时效分页请求机制导致策略调整不及时

3、实时行为特征延迟用户行为特征粒度粗用户偏好的变化与推荐系统对用户感知和对内容的调整时机并不能匹配，会出现推荐的内容并非用户当前时刻想要的，用户浏览和点击意愿都会下降。基于Client-and-Server的推荐架构上海品茶猜你喜欢分坑位点击率统计端上实时用户感知背景解决用户行为延迟和粒度粗的问题思考用户行为数据对于“个性化”的意义，参考DIN等工作之前的工作一般只考虑用户和商品的“正反馈”交互（如点击、成交），很少考虑到“负反馈”交互（如曝光）实时的“负反馈”交互也很重要，比如：商品类目多次曝光后，点击率会明显下降需要考虑用户和商品的“交互动作”，比如：点击后在详情页的行为反应对商品真正的偏好，可能存在“伪”点击用户在信息流推荐场景的“实时行为”相对于用户的“长期行为”同样重要难点如何对端上的用户异构行为进行序列建模？如何优化端上序列模型推理的性能

友情提示

1、下载报告失败解决办法
2、PDF文件下载后，可能会被浏览器默认打开，此种情况可以点击浏览器菜单，保存网页到桌面，就可以正常下载了。
3、本站不支持迅雷下载，请使用电脑自带的IE浏览器，或者360浏览器、谷歌浏览器下载即可。
4、本站报告下载后的文档和图纸-无水印,预览文档经过压缩，下载后原文更清晰。

本文（2020年终大会-推荐算法：3-3.pdf）为本站（X-iao）主动上传，三个皮匠报告文库仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对上载内容本身不做任何修改或编辑。若此文所含内容侵犯了您的版权或隐私，请立即通知三个皮匠报告文库（点击联系客服），我们立即给予删除！

温馨提示：如果因为网速或其他原因下载失败请重新下载，重复下载不扣分。