壹佰、_社区达人页

2022年08月

• 08.03 20:10:38
  发表了文章 2022-08-03 20:10:38

  【推荐系统论文精读系列】(九)--Product-based Neural Networks for User Response Prediction

  预测用户的反应，如点击和转换，是非常重要的，并已发现它在许多网络应用程序中使用，包括推荐系统、网络搜索和在线广告。这些应用程序中的数据大多是分类的，包含多个字段；典型的表示是通过一个热编码将其转换为高维稀疏二进制特征表示。面对极端稀疏性，传统模型可能会限制其从数据中挖掘浅层模式的能力，即低阶特征组合。另一方面，像深度神经网络这样的深度模型由于其巨大的特征空间而不能直接应用于高维输入。在本文中，我们提出了一种基于产品的神经网络（PNN），其嵌入层用于学习分类数据的分布式表示，产品层用于捕获场间类别之间的交互模式，以及进一步的全连接层用于探索高阶特征交互。我们在两个大规模真实世界广告点击数据集上的

  
• 08.03 20:09:58
  发表了文章 2022-08-03 20:09:58

  【推荐系统论文精读系列】(十一)--DeepFM A Factorization-Machine based Neural Network for CTR Prediction

  在推荐系统领域最大化CTR最关键就是要学习用户举止背后复杂的特征交互。尽管现在已经有了一些大的进展，但是现存的方式仍然是只能捕捉低阶或者高阶特征，或者需要专业的特征工程。本篇论文中，我们提出了一种端到端的学习模型，能够同时学习到低阶和高阶的交互特征。我们将这个模型命名为DeepFM，它结合了分解机的能力和深度学习捕捉高阶特征的能力。对比最新谷歌提出的Wide & Deep模型，我们的DeepFM模型不需要任何特征工程，而且会共享特征输入。

  
• 08.03 20:09:17
  发表了文章 2022-08-03 20:09:17

  【推荐系统论文精读系列】(十二)--Neural Factorization Machines for Sparse Predictive Analytics

  现在很多基于网站应用的预测任务都需要对类别进行建模，例如用户的ID、性别和职业等。为了使用通常的机器学习预测算法，需要将这些类别变量通过one-hot将其转化成二值特征，这就会导致合成的特征向量是高度稀疏的。为了有效学习这些稀疏数据，关键就是要解释不同特征之间的影响。

  
• 08.03 20:08:24
  发表了文章 2022-08-03 20:08:24

  【推荐系统论文精读系列】(十三)--Attentional Factorization Machines Learning the Weight of Feature Interactions

  有监督学习在机器学习中是最基本的任务之一。它的目标就是推断出一个函数能够预测给定变量的标签。例如，实值标签对于回归问题，而分类标签用于分类问题。他已经广泛的应用于各大应用，包括推荐系统，在线广告，图像识别等。

  
• 08.03 20:07:01
  发表了文章 2022-08-03 20:07:01

  【推荐系统】浪潮之巅——深度学习推荐系列模型

  浪潮之巅——深度学习推荐系列模型
• 08.03 20:05:53
  发表了文章 2022-08-03 20:05:53

  【推荐系统论文精读系列】(十四)--Information Fusion-Based Deep Neural Attentive Matrix Factorization Recommendation

  推荐系统的出现，有效地缓解了信息过载的问题。而传统的推荐系统，要么忽略用户和物品的丰富属性信息，如用户的人口统计特征、物品的内容特征等，面对稀疏性问题，要么采用全连接网络连接特征信息，忽略不同属性信息之间的交互。本文提出了基于信息融合的深度神经注意矩阵分解(ifdnamf)推荐模型，该模型引入了用户和物品的特征信息，并采用不同信息域之间的交叉积来学习交叉特征。此外，还利用注意机制来区分不同交叉特征对预测结果的重要性。此外，ifdnamf采用深度神经网络来学习用户与项目之间的高阶交互。同时，作者在电影和图书这两个数据集上进行了广泛的实验，并证明了该模型的可行性和有效性。

  
• 08.03 20:04:55
  发表了文章 2022-08-03 20:04:55

  【推荐系统】YouTube推荐系统架构的十大工程问题

  YouTube是世界上最大的创建、分享和发现视频内容的平台。YouTube的建议负责帮助超过10亿用户从不断增长的视频语料库中发现个性化内容。在本文中，我们将重点关注深度学习最近对YouTube视频推荐系统所产生的巨大影响。该图说明了在YouTube移动应用程序主页上的建议。

  
• 08.03 20:04:00
  发表了文章 2022-08-03 20:04:00

  【推荐系统论文精读系列】(十五)--Examples-Rules Guided Deep Neural Network for Makeup Recommendation

  在本文中，我们考虑了一个全自动补妆推荐系统，并提出了一种新的例子-规则引导的深度神经网络方法。该框架由三个阶段组成。首先，将与化妆相关的面部特征进行结构化编码。其次，这些面部特征被输入到示例中——规则引导的深度神经推荐模型，该模型将Before-After图像和化妆师知识两两结合使用。

  
• 08.03 20:02:49
  发表了文章 2022-08-03 20:02:49

  【推荐系统论文精读系列】(十六)--Locally Connected Deep Learning Framework for Industrial-scale Recommender Systems

  在这项工作中，我们提出了一个局部连接的深度学习框架推荐系统，该框架将DNN的模型复杂性降低了几个数量级。我们利用Wide& Deep模型的思想进一步扩展了框架。实验表明，该方法能在较短的运行时间内取得较好的效果。

  
• 08.03 20:02:04
  发表了文章 2022-08-03 20:02:04

  【推荐系统论文精读系列】(十七)--Content-Aware Collaborative Music Recommendation Using Pre-trained Neural Networks

  虽然内容是我们音乐收听喜好的基础，但音乐推荐的领先性能是通过基于协作过滤的方法实现的，这种方法利用了用户收听历史中的相似模式，而不是歌曲的音频内容。与此同时，协同过滤有一个众所周知的“冷启动”问题，也就是说，它无法处理没有人听过的新歌。将内容信息整合到协作过滤方法的努力在许多非音乐应用中都取得了成功，比如科学文章推荐。受相关工作的启发，我们将语义标签信息训练成一个神经网络作为内容模型，并将其作为协作过滤模型的先决条件。这样的系统仍然允许用户监听数据“为自己说话”。在百万歌曲数据集上进行了测试，结果表明该系统比协同过滤方法有更好的效果，并且在冷启动情况下具有良好的性能。

  
• 08.03 20:01:12
  发表了文章 2022-08-03 20:01:12

  【推荐系统】美团外卖推荐场景的深度位置交互网络DPIN的突破与畅想

  美团基础研发机器学习平台训练引擎团队，联合到家搜推技术部算法效能团队、NVIDIA DevTech团队，成立了联合项目组。目前在美团外卖推荐场景中进行了部署，多代模型全面对齐算法的离线效果，对比之前，优化后的CPU任务，性价比提升了2~4倍。

  
• 08.03 19:53:58
  发表了文章 2022-08-03 19:53:58

  【推荐系统】推荐系统数据流的经典技术架构+微软、阿里、微软等10大深度学习CTR模型最全演化图谱

  流处理平台的准实时特征处理：所谓流处理平台，是将日志以流的形式进行mini batch处理的准实时计算平台，流处理平台计算出的特征可以立马存入特征数据库供推荐系统模型使用，虽然无法实时的根据用户行为改变用户结果，但分钟级别的延迟基本可以保证用户的推荐结果准实时地受到之前行为的影响。

  
• 08.03 19:51:53
  发表了文章 2022-08-03 19:51:53

  【目标检测】目标检测界的扛把子YOLOv5（原理详解+修炼指南）

  Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。 学习一个新的算法，最好在脑海中对算法网络的整体架构有一个清晰的理解。 但比较尴尬的是，Yolov5代码中给出的网络文件是yaml格式，和原本Yolov3、Yolov4中的cfg不同。 因此无法用netron工具直接可视化的查看网络结构，造成有的同学不知道如何去学习这样的网络。

  
• 08.03 19:47:56
  发表了文章 2022-08-03 19:47:56

  【机器视觉】Python+OpenCV+MediaPipe实时人流检测

  MediaPipe 人脸检测是一种超快的人脸检测解决方案，带有 6 个地标和多人脸支持。它基于 BlazeFace，这是一种轻量级且性能良好的人脸检测器，专为移动 GPU 推理量身定制。检测器的超实时性能使其能够应用于任何需要准确的面部感兴趣区域作为其他任务特定模型输入的实时取景器体验。