7wangxu的案例列表
快手推荐系统，阿里巴巴广告推荐系统
广告重拍模块探索，分成三个阶段：引入下翻率提升浏览深度，整页预估模型评估最优广告序列， 基于上下文的多坑位校准模型进行广告重排序 定义reward来评价序列好坏，公式中引入用户下翻广告概率。构建下翻率模型，工程上使用 Beam Search方法搜索最优序列。pv提升1.01%，消耗提升1.15%， 基于广告和推荐上下文，引入LSTM和Attention结构，构建整页评估模型。在手淘购后和首页 猜你喜欢中的广告动态定坑场景，利用整页评估模型从动态定坑的候选集广告序列中选出最优序 列，离线gauc提升2.1%. 打破广告模板保序限制，利用基于广告和推荐的上下文校准模型对广告pctr进行校准，重新对
阿里巴巴广告重排推荐，快手社交推荐系统
广告重拍模块探索，分成三个阶段：引入下翻率提升浏览深度，整页预估模型评估最优广告序列， 基于上下文的多坑位校准模型进行广告重排序 定义reward来评价序列好坏，公式中引入用户下翻广告概率。构建下翻率模型，工程上使用 Beam Search方法搜索最优序列。pv提升1.01%，消耗提升1.15%， 基于广告和推荐上下文，引入LSTM和Attention结构，构建整页评估模型。在手淘购后和首页 猜你喜欢中的广告动态定坑场景，利用整页评估模型从动态定坑的候选集广告序列中选出最优序 列，离线gauc提升2.1%. 打破广告模板保序限制，利用基于广告和推荐的上下文校准模型对广告pctr进行校准，重新对
案例判断参考
7wangxu的案例列表
快手推荐系统，阿里巴巴广告推荐系统
广告重拍模块探索，分成三个阶段：引入下翻率提升浏览深度，整页预估模型评估最优广告序列， 基于上下文的多坑位校准模型进行广告重排序 定义reward来评价序列好坏，公式中引入用户下翻广告概率。构建下翻率模型，工程上使用 Beam Search方法搜索最优序列。pv提升1.01%，消耗提升1.15%， 基于广告和推荐上下文，引入LSTM和Attention结构，构建整页评估模型。在手淘购后和首页 猜你喜欢中的广告动态定坑场景，利用整页评估模型从动态定坑的候选集广告序列中选出最优序 列，离线gauc提升2.1%. 打破广告模板保序限制，利用基于广告和推荐的上下文校准模型对广告pctr进行校准，重新对...
阿里巴巴广告重排推荐，快手社交推荐系统
广告重拍模块探索，分成三个阶段：引入下翻率提升浏览深度，整页预估模型评估最优广告序列， 基于上下文的多坑位校准模型进行广告重排序 定义reward来评价序列好坏，公式中引入用户下翻广告概率。构建下翻率模型，工程上使用 Beam Search方法搜索最优序列。pv提升1.01%，消耗提升1.15%， 基于广告和推荐上下文，引入LSTM和Attention结构，构建整页评估模型。在手淘购后和首页 猜你喜欢中的广告动态定坑场景，利用整页评估模型从动态定坑的候选集广告序列中选出最优序 列，离线gauc提升2.1%. 打破广告模板保序限制，利用基于广告和推荐的上下文校准模型对广告pctr进行校准，重新对...
