网站建设工作组请人做网站收费多少钱

网站建设工作组,请人做网站收费多少钱,深圳做网站联雅,如何构建一个网站本文入选顶会SIGIR 2025点击率预估任务通常会面临冷启动问题#xff0c;即新用户因历史行为数据不足而难以进行准确预测。近期研究尝试通过编码器-解码器网络#xff0c;基于活跃用户数据为冷启动用户生成虚拟行为表征。然而#xff0c;现有方法存在两大缺陷#xff1a;对活…本文入选顶会SIGIR 2025点击率预估任务通常会面临冷启动问题即新用户因历史行为数据不足而难以进行准确预测。近期研究尝试通过编码器-解码器网络基于活跃用户数据为冷启动用户生成虚拟行为表征。然而现有方法存在两大缺陷对活跃用户行为的编码技术过于简单化且直接使用虚拟行为表征会导致用户兴趣表达受限、模型泛化能力不足。为解决这些问题我们提出创新性的基于图同构网络的群体建模方法。该方案通过GIN网络有效捕捉用户-物品高阶交互关系从而更精细地刻画用户多样化兴趣。结合群体建模策略可显著减少嵌入构建偏差增强模型泛化能力。我们在公开数据集和工业数据集上的实验表明相较现有方法新方案对活跃用户和冷启动用户均带来显著效果提升。论文链接https://dl.acm.org/doi/10.1145/3726302.3731936一、业务背景与问题表现1、业务场景京东广告推荐系统在京东的在线广告推荐系统中系统每天需要为数亿用户实时推送个性化广告。CTR点击率预测模型是核心模块直接决定广告收入和用户体验。核心目标预测用户对某个广告的点击概率 P(y1∣u,i)P(y1∣u,i)从而排序并展示最可能被点击的广告。2、冷启动问题Cold Start Problem的表现冷启动问题是指推荐系统在缺乏用户-物品交互数据时无法提供有效个性化推荐的困境。用户类型行为数据问题表现活跃用户Warm User有大量历史点击、浏览、收藏行为模型可精准建模兴趣冷启用户Cold User无/少历史行为、仅知基础属性性别、年龄、地域模型无法有效建模兴趣 → 推荐随机、点击率低、转化差3、具体业务影响新用户点击率低因无行为数据只能依赖统计特征推荐“热门商品”或“默认广告”缺乏个性化。用户体验差用户看到“与我无关”的广告 → 产生反感、降低平台信任度。模型评估偏差传统模型在“全体用户”上AUC表现良好但在“新用户”子集上显著下降。关键痛点 “没有行为就没有兴趣” —— 但用户不能等行为积累后才被推荐。二、问题抽象与动机提炼1、零样本学习的核心思路在缺乏交互数据的前提下利用辅助信息属性、内容、关系等进行兴趣推断。“从千万个老用户的行为模式中学习‘属性→行为’‘行为→属性’的映射规则然后用这个规则基于用户的属性信息为新用户生成一个‘虚拟的但合理’的行为推断。”场景设定一位新用户“小李”刚注册京东App仅提供以下属性信息性别-女年龄-28岁城市-北京设备-iPhone 15从未点击、购买过任何商品—— 行为数据为0。传统推荐系统看到她只能推“全站热销”iPhone 17、AirPods、小米手环……但系统中有多个与小李相似的活跃用户和其历史行为用户A性别-女年龄-26岁城市-北京设备-iPhone16 历史点击- Apple Watch, 吹风机扫地机器人……用户B性别-女年龄-29岁城市-北京设备-iPhone16 历史点击- 运动服饰网球拍……基于这部分用户的历史兴趣我们可以大致推断该类用户比较共同的兴趣范畴她们生活在一线都市注重生活品质与效率偏好科技感强、能提升日常体验的智能家电同时关注健康与自我管理。零样本方法两大问题论文动机来源缺陷描述问题1. 行为编码过于简单用Mean-Pooling等方式直接聚合行为序列忽略高阶交互如用户A买过手机耳机 → 可能也买充电宝生成的虚拟行为嵌入信息稀疏、表达力弱2. 直接使用虚拟嵌入将生成的虚拟行为嵌入直接输入CTR模型未做校正与真实行为嵌入存在偏差→ 模型学到的是“噪声兴趣”核心洞察 我们不需要“完美还原”个体行为而是要找到一群相似的用户用群体共识来校正个体偏差。2、论文的抽象与动机提炼核心问题抽象问题论文动机数据层面个体行为嵌入表达力不足→ 引入GIN图网络建模高阶、非线性用户-物品交互建模层面虚拟嵌入有偏差→ 引入群体建模Cohort Modeling不依赖个体依赖群体共识系统层面无法在线部署延迟高→ 设计预计算实时读取架构兼顾精度与效率核心动机 “用图神经网络生成虚拟行为表征再用群体共识校正个体偏差实现冷启动用户的群体智能推荐”三、论文解法与实验方案1、整体架构GINCMGraph Isomorphism Network-based Cohort Modeling2、模型由三大模块协同工作模块一GIN-based Graph Encoder高阶交互建模输入用户-物品交互图二部图节点用户/物品边点击/浏览步骤使用Graph Isomorphism Network (GIN)编码子图◦GIN 相比GCN、GraphSAGEGIN能捕捉更复杂的拓扑结构能学习到更高级的用户-商品交互模式输出聚合后的用户行为表征模块二Joint Denoising Auto-EncoderJDAE—— 虚拟行为生成目标为冷启用户生成“虚拟行为嵌入”输入冷启用户的属性特征如性别男年龄25城市北京结构编码器将用户属性特征和用户行为特征都进行编码解码器双向重建用“行为”重建“属性” 用“属性”重建“行为”•损失函数式6关键设计 如果“25岁男性”能重建出“买手机耳机”行为 → 说明模型学到真实模式 如果“买手机耳机”能重建出“25岁男性” → 说明行为与属性强相关模块三Cohort Modeling NetworkCMN—— 群体共识校正核心思想以群体兴趣代替有偏的个体兴趣步骤1、将生成的虚拟用户行为表征二值化Binarization STE得到二进制码2、STEStraight-Through Estimator允许反向传播通过二值化操作3、每个二进制码代表一个群体Cohort如[1,0,1,0,0,1,0,0]表示属于第1、3、6群体4、对当前用户对应群体兴趣进行聚合为什么有效 即使生成的用户行为表征有偏差只要它落在“相似群体”中就能被群体中心拉回正轨。 群体像“平均值”能过滤噪声提升鲁棒性。3、实验方案与结果数据集类型数据量说明公开数据集Amazon Reviews1.2M样本标准benchmark工业数据集京东广告系统30亿样本31天数据前30天训练最后1天测试消融实验Ablation模块去除后新用户AUC结论无GIN用Mean Pooling↓ 0.7321GIN对高阶交互建模非常重要无JDAE用默认向量↓ 0.7112虚拟行为生成效果优于直接用属性无CMN直接用虚拟嵌入↓ 0.7145群体校正比个体直接使用更鲁棒在线部署与A/B测试部署方式预计算用户行为发生 → 图引擎实时构建子图 → GINCM计算并缓存实时预测精排阶段直接读取缓存的 cohort embedding无需重算图结果CTR 提升 2.13%RPM千次展示收入提升 2.13%