RecSys2022 | 多阶段推荐系统的神经重排序教程

嘿，记得给“机器学习与推荐算法”添加星标

---

重排序是多阶段推荐系统(MRS)中最关键的步骤之一，它通过建模跨物品交互对输入排序列表进行重新排序。由于深度学习的显著进步，最近的重排序方法已经演变为深度神经体系结构。因此，神经网络重新排序已经成为一个趋势话题，许多改进的算法已经在工业应用中得到了应用，并获得了巨大的商业成功。本教程的目的是探索神经系统重新排序的一些近期工作，将它们整合到更广阔的图景中，为未来的研究提供更全面的解决方案铺平道路。特别地，我们根据目标和训练信号提供了当前方法的分类。我们对这些方法进行了定性和定量的检查和比较，并确定了一些开放的挑战和未来的前景。

https://librerank-community.github.io/slides-recsys22-tutorial-neuralreranking.pdf

• 引言 Introduction

• Recommender system basics

• Introduction to multi-stage recommender systems

• Neural re-ranking fundamentals: challenges, objectives, network structures, and evaluations
• 单目标 Single objective: Accuracy-oriented re-ranking

• Learning by observed signals

• Learning by counterfactual signals

• Qualitative model comparison: network structure, optimization, personalization, and complexity

• Quantitative comparison: LibRerank re-ranking library
• 多目标再排序 Multi-objective re-ranking

• Diversity-aware re-ranking

• Fairness-aware re-ranking

• 出现应用 Emerging applications

• Summary and future prospects

讲者：

更多教程，可访问：

https://github.com/hongleizhang/RSPapers#Tutorials

---

欢迎干货投稿 \ 论文宣传 \ 合作交流

推荐阅读

悉尼科技大学最新可信推荐综述，提出可信推荐生态系统并概括9个方面的发展

论文周报 | 推荐系统领域最新研究进展

KuaiRand: 快手–中科大发布含随机曝光的无偏推荐数据集, 完美支持多种前沿研究

由于公众号试行乱序推送，您可能不再准时收到机器学习与推荐算法的推送。为了第一时间收到本号的干货内容， 请将本号设为星标，以及常点文末右下角的“在看”。

喜欢的话点个在看吧👇