排序階段選擇了三個比較有代表性的排序模型，它們分別是：
lgb的排序模型
lgb的分類模型
深度學習的分類模型din
得到了最終的排序模型輸出的結果之後，還選擇了兩種比較經典的模型整合的方法：
輸出結果加權融合
staking（將模型的輸出結果再使用乙個簡單模型進行**）
din的全稱是deep interest network， 這是阿里2023年基於前面的深度學習模型無法表達使用者多樣化的興趣而提出的乙個模型， 它可以通過考慮【給定的候選廣告】和【使用者的歷史行為】的相關性，來計算使用者興趣的表示向量。具體來說就是通過引入區域性啟用單元，通過軟搜尋歷史行為的相關部分來關注相關的使用者興趣，並採用加權和來獲得有關候選廣告的使用者興趣的表示。與候選廣告相關性較高的行為會獲得較高的啟用權重，並支配著使用者興趣。該表示向量在不同廣告上有所不同，大大提高了模型的表達能力。
網易新聞推薦 深度學習排序系統及模型
編輯整理 鄭智獻 出品社群 datafun 需要了解一下整個排序系統研發過程中我們所面臨的核心問題和挑戰。如下圖，圓形代表原始特徵值和經過各個運算元處理後的特徵中間值，方形表示特徵處理庫內的運算元，所以特徵處理流程可以視為各個 dag 圖。右邊的兩個例子是用 dag 圖來描述特徵處理流程的相關配置。...
推薦系統01推薦系統入門
這裡給出了三個主要原因 網際網路規模增長迅速，資料量資訊過載，人們很難獲得有效資訊 資料太多了，我看不過來 搜尋引擎的方式只能滿足有確切主題 知道如何描述的資訊，沒有辦法搜尋自己模糊不清的需求 人們需要個性化服務來減少不必要的工作。在這樣的背景下，推薦系統應運而生，推薦系統究竟實現了怎樣的工作，實際...
推薦系統 基於itemCF推薦模型
雖然目前工業界很少再直接通過itemcf來進行推薦，但可以從這個演算法中體會到這種集體智慧型的應用。充分利用集體智慧型，即在大量的人群的行為和資料集中收集答案，以幫助我們對整個人群得到統計意義上的結論，推薦的個性化程度高。基於以下兩個出發點 1 興趣相近的使用者可能會對同樣的東西感興趣 2 使用者可...