KDD18

论文Active Feature Acquisition with Supervised Matrix Completion的感想

这是KDD18的ResearchTrack的一篇paper。在pricai-18会议上亲自听到了论文的第二位作者做的报告，感觉是一篇非常好的工作。
banie0279·2023-01-01 14:21

【多任务学习】Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts KDD18

在模型层面理解，我们在单目标中经常会花费大量的精力“找强特征”和“删冗余特征”输入到模型，提高模型效果。那么切换到MTL时，每个task所需要的“强特”和排斥的“负特”是不同的，MTL的目的就是对每个task尽可能的找到他们的强特和负特。在优化层面理解，多个task同时优化模型，某些task会主导了模型的优化过程，淹没了其他task。从监督信号的角度理解，MTL不仅仅是任务，也是一种数据扩增，相当
chad_lee·2022-12-23 08:48

【论文笔记】KDD18 PinSage A new graph convolutional neural network for web-scale recommender systems

overview论文地址，含oral视频Pinterest官方的博客pinsage又是JureLeskovec组的一篇有影响力的工作，该工作被认为是第一个用于工业界GNN推荐系统。该论文学术上的创新较少，模型基本都来源于GraphSage和Pixie这两篇。目前pinSage只有DGL官方的一个实现版本。核心的模型是基于随机游走采样的graphSage。其目的主要是去生成embedding，而不是
qq_38420683·2022-12-11 18:14

MMoE, KDD18, Google多任务学习模型

ModelingTaskRelationshipsinMulti-taskLearningwithMulti-gateMixture-of-Experts1.Motivation多任务学习是一个常见的场景，比如在视频推荐中，希望同时提升用户观看时长、收藏、分享、转发等目标的效果。正则化与迁移学习等可以帮助提升多任务学习的效果；但是多任务学习并不总是比所有的单任务效果都好，数据分布、不同任务之间的关
FeynmanMa·2021-07-17 16:15

推荐系统CTR预估模型之Deep Interest Network(Din)

 DeepInterestNetwork(Din)模型是阿里妈妈基础算法团队发表在KDD18上的一篇论文，用来做CTR预估。 
CIA_agent·2020-06-23 14:48

KDD18': 捕捉网络中任一阶邻近度的 Network Embedding

KDD18':捕捉网络中任一阶邻近度的NetworkEmbedding给定一个图G=，为图中的每一个节点计算出一个embedding向量，这就是NetworkEmbedding的主要目标。
paper_reader·2018-11-06 15:45
上一页 1 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他