亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

圖神經網絡(GNNs)被廣泛用于學習一種強大的圖結構數據表示。最近的研究表明，將知識從自監督任務遷移到下游任務可以進一步改善圖的表示。然而，自監督任務與下游任務在優化目標和訓練數據上存在內在的差距。傳統的預訓練方法可能對知識遷移不夠有效，因為它們不能適應下游任務。為了解決這一問題，我們提出了一種新的遷移學習范式，該范式可以有效地將自監督任務作為輔助任務來幫助目標任務。在微調階段，我們的方法將不同的輔助任務與目標任務進行自適應的選擇和組合。我們設計了一個自適應輔助損失加權模型，通過量化輔助任務與目標任務之間的一致性來學習輔助任務的權重。此外，我們通過元學習來學習權重模型。我們的方法可以運用于各種遷移學習方法，它不僅在多任務學習中有很好的表現，而且在預訓練和微調中也有很好的表現。在多個下游任務上的綜合實驗表明，所提出的方法能夠有效地將輔助任務與目標任務相結合，與現有的方法相比，顯著提高了性能。

//www.zhuanzhi.ai/paper/852db932624d6feeb7bbd32e67772b27

隨著移動設備上存儲和計算能力的快速發展，在設備上部署模型以節省繁重的通信延遲和獲取實時特性變得至關重要和流行。雖然已經有很多研究致力于促進設備上的學習和推斷，但大多數研究都集中在處理響應延遲或隱私保護方面。對設備和云建模之間的協作進行建模并使雙方共同受益的工作很少。為了彌補這一差距，我們是研究設備-云協作學習(DCCL)框架的首批嘗試之一。具體來說，我們在設備端提出了一種新穎的MetaPatch學習方法，以便在一個集中式的云模型下有效地實現“成千上萬的人擁有成千上萬的模型”。然后，針對數十億更新的個性化設備模型，我們提出了一種“模型-超模型”的蒸餾算法，即MoMoDistill，來更新集中式云模型。我們在一系列不同設置的數據集上進行了大量實驗，證明了這種協作在云和設備上的有效性，特別是它在建模長尾用戶方面的優越性。

內容流(Content feed)是一種向用戶推薦一系列內容以供用戶瀏覽和參與的產品，在社交媒體平臺上受到了極大的歡迎。在本文中，我們提出使用時間序列分析技術從項目序列的角度來研究這種情況下的多樣性問題。我們提出了一種稱為滑動譜分解(SSD)的方法，該方法可以捕捉用戶在瀏覽一個長項目序列時的多樣性感知。我們也分享了我們在設計和實現一種合適的項目嵌入方法來精確測量長尾效應下的相似度的經驗。如今，這兩款產品已經在小紅書App的產品推薦系統中得到了全面的實現和部署，該系統每天為數千萬用戶提供主要的和有效性。Explore Feed產品。通過理論分析、離線實驗和在線A/B測試，驗證了該方法的有效性。

//arxiv.org/abs/2107.05204

序列推薦的目的是利用用戶的歷史行為來預測他們的下一次互動。現有的工作還沒有解決序列推薦的兩個主要挑戰。首先，在豐富的歷史序列中，用戶行為往往是隱式的、有噪聲的偏好信號，不能充分反映用戶的實際偏好。此外，用戶的動態偏好往往會隨著時間的推移而迅速變化，因此很難在其歷史序列中捕獲用戶模式。在本研究中，我們提出一種稱為SURGE的圖神經網絡模型(即序列推薦圖神經網絡)來解決這兩個問題。具體來說，SURGE通過基于度量學習將松散的項目序列重構為緊密的項目興趣圖，將不同類型的長期用戶行為偏好集成到圖中的簇中。通過在興趣圖中形成密集的集群，這有助于明確區分用戶的核心興趣。然后，我們在構建的圖上執行集群感知和查詢感知的圖卷積傳播和圖池化。它從嘈雜的用戶行為序列中動態融合并提取用戶當前激活的核心興趣。我們在公共和專有的工業數據集上進行了廣泛的實驗。實驗結果表明，與現有方法相比，我們提出的方法有顯著的性能提高。對序列長度的進一步研究表明，該方法能夠有效地對較長的行為序列進行建模。

//www.zhuanzhi.ai/paper/f38fd2a93f7755f804cf37f333aca1d8

? We Know What You Want: An Advertising Strategy Recommender System for Online Advertising 廣告主端的“猜你喜歡”：在線廣告投放策略推薦系統

摘要：廣告主在電子商務平臺中起著重要作用，其廣告支出是電子商務平臺的主要收入來源。通過減少廣告實時出價過程中的試錯成本為廣告主提供更好的廣告體驗，對于電子商務平臺的長期收入至關重要。為了實現這一目標，廣告平臺需要了解廣告主的獨特營銷需求，并積極為其推薦個性化和最佳的廣告策略。在這項工作中，我們首先在淘寶展示廣告平臺上部署了一個原型推薦系統，以實現廣告主人群出價和人群選擇的優化。然后，我們提出了一種新穎的用于動態出價策略推薦的推薦系統，該系統將廣告主的策略推薦問題建模為上下文老虎機問題。我們使用神經網絡，根據廣告主的信息和歷史采納行為來預測廣告主的需求。基于預測的需求，我們應用模擬競價來推導用于推薦的最佳出價策略，并通過顯示預估的廣告效果與廣告主進行交互。為了解決探索/利用問題，我們用Dropout表示網絡的不確定性，以進行有效的策略探索，可以證明這種方式近似等價于湯普森采樣。在線評估表明，原型推薦系統可以優化廣告主的廣告效果，廣告主愿意打開該系統，選擇并采納建議，這也進一步增加了平臺的收入。基于阿里巴巴在線競價數據的仿真實驗證明，上下文老虎機算法可以有效優化廣告主的采納率。對比實驗證明湯普森采樣可以更好地平衡探索和利用，進一步優化模型的性能。 論文下載：

//www.zhuanzhi.ai/paper/aeece87eb4fe54a737b3235718ae881c

對于推薦系統來說，用戶冷啟動推薦是一個長期存在的挑戰，因為只有很少的冷啟動用戶交互可以被利用。最近的研究試圖從元學習的角度解決這一挑戰，大多數研究遵循參數初始化的方式，即通過幾個步驟的梯度更新來學習模型參數。雖然這些基于梯度的元學習模型在一定程度上取得了良好的性能，但其中的一個根本問題是如何將從以前任務中學習到的全局知識更有效地用于冷啟動用戶的推薦。

本文提出了一種新的元學習推薦方法——任務自適應神經過程(TaNP)。TaNP是神經過程家族中的一個新成員，為每個用戶作出推薦都與相應的隨機過程相關聯。TaNP直接將每個用戶觀察到的交互作用映射到一個預測分布，避開了基于梯度的元學習模型中的一些訓練問題。更重要的是，為了平衡模型容量和適應可靠性之間的平衡，我們引入了一種新的任務適應機制。它使我們的模型能夠學習不同任務的相關性，并自定義全局知識到與任務相關的解碼器參數，以估計用戶的偏好。在不同的實驗設置下，我們在多個基準數據集上驗證了TaNP。實證結果表明，TaNP對幾個最先進的元學習推薦器產生了一致的改進。

//www.zhuanzhi.ai/paper/6e268c251725b797f632dec7d4b6ceef

人們對開發個性化的任務導向對話系統(TDSs)越來越感興趣。以前關于個性化TDSs的工作通常假設大多數甚至所有用戶都可以使用完整的用戶檔案。這是不現實的，因為(1)不是每個人都愿意暴露他們的個人資料，出于隱私的考慮;(2)豐富的用戶簡介可能涉及大量的屬性(例如，性別、年齡、品味……)。在本文中，我們在不假設用戶檔案是完整的情況下研究個性化的TDSs。我們提出了一種合作記憶網絡(CoMemNN)，該網絡具有一種新穎的機制，可以隨著對話進程逐步豐富用戶特征，同時在豐富的用戶特征基礎上改進響應選擇。CoMemNN由兩個核心模塊組成:用戶檔案文件豐富(UPE)和對話響應選擇(DRS)。前者通過利用來自鄰居用戶和當前對話的協作信息來豐富不完整的用戶檔案文件。后者使用豐富的檔案文件來更新當前用戶查詢，以便編碼更有用的信息，并根據這些信息選擇對用戶請求的個性化響應。我們在個性化的bAbI對話基準數據集上進行了大量的實驗。我們發現，CoMemNN能夠有效地豐富用戶檔案文件，與最先進的方法相比，響應選擇的準確性提高了3.06%。通過隨機丟棄用戶檔案文件中的屬性值，我們還測試了CoMemNN對用戶檔案文件不完整的魯棒性。即使在丟棄50%的屬性值時，CoMemNN也能夠在不丟棄用戶檔案文件的情況下匹配最佳性能基線的性能，顯示了CoMemNN的魯棒性。

//www.zhuanzhi.ai/paper/faae0f0909170af3a86309c373b23210

本文探討了元學習在序列推薦中的應用，以緩解項目冷啟動問題。序列推薦旨在根據用戶的歷史行為序列捕獲用戶的動態偏好，是大多數在線推薦場景的關鍵組成部分。然而，大多數以前的方法難以推薦冷啟動項目，這在這些情況下是普遍存在的。由于在序列推薦任務的設置中通常沒有附加信息，所以當只有用戶-項目交互可用時，不能運用以前的冷啟動方法。因此，我們提出了一種基于元學習的冷啟動序列推薦框架，即Mecos，以緩解序列推薦中項目冷啟動問題。這項任務不是微不足道的，因為它的目標是一個重要的問題，在一個新穎的和具有挑戰性的背景下。Mecos有效地從有限的交互中提取用戶偏好，并學習將目標冷啟動項目與潛在用戶匹配。此外，我們的框架可以輕松地集成基于神經網絡的模型。在三個真實世界的數據集上進行的大量實驗驗證了Mecos的優越性，與最先進的基線方法相比，在HR@10的平均改進高達99%，91%和70%。