亳州谯城区疫情最新情况郑州网站关键词优化公司

未完成.

1. 简述

CIKM '23 的一篇论文, 任务为 Learning To Rank, 输入为 候选集合, 输出为 有序列表, 用于 top-n 推荐场景.

思考:

1. 它是要替代 ctr 预估么?
2. 它跟 mind 这种召回, 有啥大的不一样么?

2. 网络结构

• $u$: 将用户(或 query) 记为 u
• $Hq=d_X,d_Y,...$, 该用户的历史交互序列.
• $Dq=d_A,d_B,...$, 候选的商品集合.
• $\pi$, 生成的商品排列.
  
  图. illustration of STARank

2.1 Arranger Module

1. 前序为 ReaderModule, 使用 LSTM 将 u 与 Hq 作有序的编码, 得到 $u_q$.
2. 类似于 self-attention, 商品 d 与 $u_q$ 交互后得到商品的向量 $h_d$.
3. 然后开始做排列. 见下截图, $s_d^i=f(h_d,u_1,p_i)$, 建模 位置与 u_q 信息. 并使用 soft-max 得到概率.
   Q: 如何令 ${\pi }_i$ 感知到 ${\pi }_{<i}$ 的前序排列的信息呢?

Plackett Luce (PL) module .

2.2 loss

3. 基线对比