1、深度排序模型在淘宝直播的 演进与应用 纪志辉 演进之路 2018 多目标学习 vanilla MTL 2018 目标时序建模 DBMTL 1.0 2019 MMoE DBMTL 2.0 2019 多场景多任务 DBMTL 3.0 2020 召回匹配建模 DMR 1.0 2020 两阶段召回匹配 DMR 2.0 later end-end召回匹配 DMR 3.0 2020 全屏页上下滑 RUI Rank 1.0 RUI Rank 2.0 RUI Rank 3.0 more: multi-source RUI Ranking 1.从业务需求、场景特点、应用发展出发 2.简单、通用、易维护、可迭代
2、DBMTL 1.0 l 背景/动机 业务诉求 业务生态：平台/用户（消费者）/主播（生产者） 优化目标：点击率/互动率/停留时长/成交等 业务发展：不同时期侧重目标不一样 算法角度 多目标独立建模 成本高/数据稀疏/忽略目标间的信息共享 多目标联合建模 深度学习网络共享机制（feature-target） 考虑目标时序因果性（target-target） l 相关工作 目标独立 vanilla MTL (base) hard parameter sharing MMoE soft parameter sharing PLE 目标关系 ESMM pcvr = pctr * pctrcvr GMS
3、L 目标满足链式关系 GRU 不足：乘积或GRU都存在局限性 曝光 评论 点击进店 时长 成交 vanilla MTL ESMM MMoE GMSL DBMTL 1.0 Deep Bayesian Multi-task Learning 1.0(2018) 方法：贝叶斯网络建模（复杂）目标（时序）关系 目的：多目标联合学习 似然函数 1,2,3 , = P 3 1,2, 1,2 , = 3 1,2, 2 1, (1|,) Loss函数 , = 1 log 3 1,2,+ 2 log 2 1,+ 3 log 1 , 深度网络 信息共享层（feature-target）：hard parameter sharing 贝叶斯层（target-target）：通过前序目标的输出作为后序目标的输入刻画概率转移关系 特征提取器：MLP（logits前一层） 在线预估 加法公式 乘法公式 效果 加法公式
sgpjbg002
工作日 8:30 - 17:30
报告分类
