排序01：多目标模型
Рет қаралды 8,411
Күн бұрын
@mikefromtw 16 күн бұрын
请问老师现在有什么好的办法决定multitask 里面不同loss 的weight么？谢谢
@tulanezhu 6 ай бұрын
推荐的multi-task learning是不是用inconsistent label structure会好处理一些？用consistent label structure的话感觉很难保证不同任务的正负样本都达到平衡. 比方说假设点击的正负比例通过downsampling达到1:3, 但是这样对于转发就很难保证正负样本能平衡，因为转发是点击正样本的subset
@sz6836 2 жыл бұрын
谢谢老师，想问一下对于某个具体的目标，是不是就不能用pairwise loss或者listwise loss了？
@DED_Search Жыл бұрын
最后一个问题 downsampling的alpha可以根据任务不同 而不同么？alpha是根据业务经验人共设置 还是学出来的？校准后再进行加权平均对么？还是加权以后再校准？谢谢老师
@sephonlee 2 ай бұрын
請問如果召回用的雙塔模型更新後，用戶和物品的embedding就變了。那排序模型是不是需要跟著retrain來適應新的embedding？
@DED_Search Жыл бұрын
老师 请问 推荐场景下 多目标训练 loss一般都是cross entropy 也就是pointer wise loss？但是如果是搜索 可以是pairwise，listwise? 为什么ltr 一般用于搜索 而非推荐？背后的原理是什么呢 谢谢
@enriquechyy 2 жыл бұрын
对排序最感兴趣了 感谢老师
@yulingfeng1892 8 ай бұрын
召回的时候也要考虑 unbalanced data吧？
@wangpaul659 Жыл бұрын
請問是對預估值做校準還是對真實值做校準?(校準後的公式當中左邊寫的是ptrue 而不是ppred)
@sz6836 2 жыл бұрын
与其做多目标，可不可以把多个labels合并成一个joint label，然后模型只预测joint label，然后做learning to rank的方法，好像有些公司是这样做的
@ShusenWang 2 жыл бұрын
推荐通常不这么做。ltr 在搜索中用的多。
@sz6836 2 жыл бұрын
谢谢。感觉上搜索和推荐模型有些类似，特别是强调个性化搜索的场景，或许可以合并build一个model？这样也方便加新的features，加一次就行了。
@DED_Search Жыл бұрын
老师 有个问题一直困扰我 就是物品和用户ID 为什么会对推荐有帮助？我理解帮助personalization 但是我请不太清楚背后的逻辑 请老师有空的时候 方便指点一二 万分感谢 谢谢老师
@ShusenWang Жыл бұрын
id embedding得到的向量其实就是对用户或物品特性的记忆
@DED_Search Жыл бұрын
@@ShusenWang哦哦哦 原来是这样 谢谢老师
@chenyueshuang9988 2 жыл бұрын
假设有两个目标 A和B， 一条样本对A目标是正样本，对B目标是负样本，那这条样本是丢弃还是保留呢？还是两个目标分别做采样。两个目标的底层共享参数才是计算量最大的，如果是分别做采样，那计算量并不会减少多少吧
@tulanezhu 6 ай бұрын
同问
@tongqiu2987 2 жыл бұрын
请教个问题，为什么需要做校准呢？ 排序的话不是只需要知道相对大小就可以了吗？获取真实值是方便做其他事情吗，比如保量，混排之类的
@ShusenWang 2 жыл бұрын
如果是单目标，不需要校准。如果是多目标，会相加和相乘，那么校准就有必要了
@krisman2503 2 жыл бұрын
yyds