文章预览
在当前典型工业应用推荐系统 pipeline 中,重排作为最后一个环节,决定最终的推荐结果,因此需要综合考虑多样的业务需求以及复杂物料的融合。 经典的在线学习依赖用户反馈,在电商场景,用户完成一次购买决策通常需要几小时甚至几天,这无法避免地限制着在线学习的实时性。 本文将介绍一种新型的用于重排的在线学习方法,该方法不强依赖用户反馈,能够确保模型的实时性。 该方法由阿里巴巴与中国人民大学共同提出。 今天的介绍会围绕下面四点展开: 1. Background:实时在线学习 & 重排模型基本概念 2. Formal Introduction:重排的定义 & 解决方案 3. New Proposal:Learning at Serving Time (简称 LAST) 4. 结语 分享嘉宾| 王原 博士 出品社区| DataFun 01 Background :实时在线学习 & 重排模型基本概念 首先介绍一些实时在线学习和重排模型相关的基本
………………………………