KDD2018

Embedding 在Airbnb房源排序中的应用 （KDD2018 best paper）

Airbnb的这篇论文《Real-timePersonalizationusingEmbeddingsforSearchRankingatAirbnb》拿了KDD2018的bestpaper，初次看到这篇文章还是觉得很吃惊的
董老师wenjunoy·2019-12-25 19:24

交通事故预测 读书笔记

Hetero-ConvLSTM:ADeepLearningApproachtoTrafficAccidentPredictiononHeterogeneousSpatio-TemporalData****（****KDD2018
a微风掠过·2019-12-14 06:56

机器之心专访杨强教授：联邦迁移学习与金融领域的AI落地

月21日、22日，由KDDChina主办，西南交通大学和京东金融承办的KDDSummerSchool暨KDDPre-Conference，「交通大数据智能」论坛在成都举行，多位知名数据挖掘领域专家以及KDD2018
stonelin3935·2019-09-26 17:56

推荐系列论文四:Real-time Personalization using Embeddings for Search Ranking at Airbnb(上)

Real-timePersonalizationusingEmbeddingsforSearchRankingatAirbnb前言这篇论文是KDD2018的bestpaper，来自Airbnb在搜索排序中利用
知天易or逆天难·2019-06-20 02:46

#Paper Reading# xDeepFM:Combining Explicit and Implicit Feature Interactions for Recommender Systems

id=3220023论文发表于:KDD2018（CCFA类会议）论文大体内容：本文主要介绍了DeepFM模型的变种——xDeepFM（eXtremeDeepFact
john159151·2019-06-02 15:12

Real-time Personalization using Embeddings for Search Ranking at Airbnb

KDD2018,August19-23,2018,London,UnitedKingdomMihajloGrbovic；Airbnb,Inc；SanFrancisco,California,USAHaibinChengAirbnb
冥更·2019-04-24 09:37

论文笔记：Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

一、基本信息论文题目：《Billion-scaleCommodityEmbeddingforE-commerceRecommendationinAlibaba》发表时间：KDD2018论文作者及单位：论文地址
塘朗老实人·2019-04-16 21:08

Cost-effective training of deep CNNs with active model adaptation

KDD2018，作者：Sheng-JunHuang,Jia-WeiZhao,Zhao-YangLiu将论文中的主要算法流程翻译过来，方便以后使用注：这不是标准的算法流程，为了方便，将算法中的公式直接写入到流程中了
木呆呆瓶子·2019-03-26 19:31

【Graph Embedding】：Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

本文是阿里在kdd2018发表的关于使用graphembedding作为淘宝首页推荐召回策略的算法实现。
DivinerShi·2019-03-03 15:29

【Airbnb搜索】：Real-time Personalization using Embeddings for Search Ranking at Airbnb

原始论文下载地址：本文是kdd2018的bestpaper，文章来自airbnb的搜索推荐团队，描述的是airbnb如何使用embedding来提高搜索和排序的效果。
DivinerShi·2019-02-24 21:19

深入解读Airbnb推荐算法

2018年kdd的最佳论文，论文标题Real-timePersonalizationusingEmbeddingsforSearchRankingatAirbnb（https://www.kdd.org/kdd2018
_zhang_bei_·2019-02-20 20:33

KDD2018精选（2）TFLid：基于特征子图同构的迁移学习

1.原文：TransferLearningviaFeatureIsomorphismDiscovery作者来自港科大和上交大关键词：迁移学习；跨语种；子图同构1.1引言迁移学习主要解决将已标注空间学到的模型用于目标空间的训练的问题。然而在实际中，已标注样例很少能得出到达总体特征空间的分布的映射方程。在词嵌入等技术的应用中，不同空间的特征可能相关性低，但不同的特征空间可能有相似的特征结构，尽管它们的
曹今可·2019-01-25 14:51

Airbnb实时搜索个性化排序中的Embedding（长期兴趣待补充完）

背景介绍1、Airbnb介绍论文：Real-timePersonalizationusingEmbeddingsforSearchRankingatAirbnbhttps://www.kdd.org/kdd2018
有石为玉·2019-01-23 10:45

从KDD 2018最佳论文看Airbnb实时搜索排序中的Embedding技巧

作者丨王喆单位丨Hulu高级机器学习工程师研究方向丨计算广告、推荐系统知乎专栏丨王喆的机器学习笔记今天我们聊一聊KDD2018的BestPaper，Airbnb的一篇极具工程实践价值的文章Real-timePersonalizationusingEmbeddingsforSearchRankingatAirbnb
Paper_weekly·2019-01-23 09:22

论文阅读:Billion-scale Commodity Embedding for E-commerce Recommendation in Alibaba

本文是阿里发表在KDD2018，基于GraphEmbedding实现淘宝首页推荐召回。主要通过用户点击的行为历史构建item图，学习图上所有item的embedding。
Hxyue2018·2019-01-01 14:20

滴滴KDD2018：强化学习派单

原文链接：https://segmentfault.com/a/1190000017558635白话解读离线learning部分本质上是将任意时刻任意空间位置离散化为时空网格，根据派单记录（含参加调度但无单的司机）计算该时空网格到当天结束时刻的预期收入。关键问题：怎么计算预期收入？动态规划思路：假设总共有时刻区间为[0,T)；先计算T-1时刻的所有网格的预期收入（此时未来收入为0，只有当前收入），
weixin_33795093·2018-12-29 01:09

滴滴KDD2018：强化学习派单

白话解读离线learning部分本质上是将任意时刻任意空间位置离散化为时空网格，根据派单记录（含参加调度但无单的司机）计算该时空网格到当天结束时刻的预期收入。关键问题：怎么计算预期收入？动态规划思路：假设总共有时刻区间为[0,T)；先计算T-1时刻的所有网格的预期收入（此时未来收入为0，只有当前收入），其本质就是计算当前收入的均值；然后计算T-2时刻的所有网格的预期收入；...；以此类推这样的话，
丹追兵·2018-12-29 00:00

【论文阅读】Real-time Personalization using Embeddings for Search Ranking at Airbnb

会议：KDD2018，4篇BestPaper之一作者：来自Airbnb的MihajloGrbovic和HaibinCheng关键词：SearchRanking;Personalization;Embedding
Q1du·2018-12-05 23:58

paper2:Real-time Personalization using Embeddings for Search Ranking at Airbnb

论文地址：https://www.kdd.org/kdd2018/accepted-papers/view/real-time-personalization-using-embeddings-for-search-ranking-at-airbnb1
是黄小胖呀·2018-12-02 22:37

Hands-On Tutorials 【KDD2018】

直达地址：http://www.kdd.org/kdd2018/hands-on-tutorialsActivelearningandtransferlearningatscalewithRandPythonJohn-MarkAgosta
flashlau·2018-09-04 15:04

论文学习:Learning to Generate Time-Lapse Videos Using Multi-StageDynamic Generative Adversarial Net...

WelcomeToMyBlog这篇论文收录于KDD2018,有关视频生成的,论文有个项目主页,题目翻译过来大致是:使用多阶段动态生成对抗网络学习生成time-lapse(延时)视频.多阶段具体来说是两阶段
LittleSasuke·2018-09-02 20:35

论文学习:Learning to Generate Time-Lapse Videos Using Multi-StageDynamic Generative Adversarial Net...

WelcomeToMyBlog这篇论文收录于KDD2018,有关视频生成的,论文有个项目主页,题目翻译过来大致是:使用多阶段动态生成对抗网络学习生成time-lapse(延时)视频.多阶段具体来说是两阶段
LittleSasuke·2018-09-02 20:35

滴滴 KDD 2018 论文详解：基于强化学习技术的智能派单模型

IT派-{技术青年圈}持续关注互联网、区块链、人工智能领域国际数据挖掘领域的顶级会议KDD2018在伦敦举行，今年KDD吸引了全球范围内共1480篇论文投递，共收录293篇，录取率不足20%。
IT派·2018-08-24 07:13

Learning to Estimate the Travel Time（翻译）

滴滴在KDD2018，发表的一篇ETA文章，内容很不错，分享给大家：摘要：车辆行程时间估计或估计到达时间（ETA）是最重要的基于位置的服务（LBS）之一。
youli_3·2018-08-23 20:56

滴滴重磅发布：KDD2018大会187页人工智能+交通教程

来源：专知摘要：随着深度学习技术的提升，智能交通领域吸引了越来越多研究人员的关注，今天为大家带来滴滴在KDD大会上的最新教程，为大家呈现智能交通领域的最新进展。摘要随着网上约车与自动驾驶技术的快速发展，智能交通领域逐渐吸引了机器学习和研究人员的目光。由于交通系统中每天都在产生大规模的高质量路线数据和交易信息，这使得AI技术将成为智能交通系统的首选解决方案。虽然目前有大量的工作都致力于解决传统运输问
人工智能学家·2018-08-22 23:45

KDD 2018 | 推荐系统特征构建新进展：极深因子分解机模型

为此，微软亚洲研究院社会计算组在KDD2018上提出一个新的模型——极深因
微软研究院AI头条·2018-08-22 19:35

人工智能究其本质，以深度学习为例，学习借鉴了脑科学的部分研究成果。目前，人工智能商业化落地已经开始走向了各行各业当中。 “因此，我们觉得要做人工智能领域中伟大的企业，一定要紧跟整个人类科技发展的...

京东金融四篇论文入选KDD2018，打通学术和产业多端口。
镁客网·2018-07-30 09:58

论文阅读:MIX: Multi-Channel Information Crossing for Text Matching(KDD2018)

今天同样读了一篇文本匹配相关的论文，提出了一个多通道信息融合的方法，文章提出这个模型的动机主要有以下几点：1、在局部信息匹配过程中，为了考虑到单个词语匹配过程中存在的不准确性（比如文中提到的hardwork\workhard以及allin\inall这两个词组，同样是颠倒了一下词序，前者语义相近，而后者语义完全不同，这说明匹配过程中不能仅以单个词语为单位），文中引入了unigram,bigram,
RUCblake·2018-07-28 11:16

京东金融与KDD2018：如何针对性解决城市计算痛点

月21日、22日，由KDDChina主办，西南交通大学和京东金融承办的KDDSummerSchool暨KDDPre-Conference，「交通大数据智能」论坛在成都举行，多位知名数据挖掘领域专家以及KDD2018
机器之心V·2018-07-25 00:00
上一页 1 2 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他