粗精排联合建模面试问题汇总
主要理清召回，粗排，精排一些常见问题，明白里面的各个关系。
视频推荐场景粗排建模roadmap
主要介绍视频推荐场景的粗排相关建模路径与思考
关于粗精排联合建模，有哪些要点是我们应该知道的?
主要描述粗精排联合建模的注意要点解析，这些问题是需要我们思考的问题。
PLE改进任务相关性处理方法，提高了多任务学习模型的性能 -腾讯
提出了一种名为"Progressive Layered Extraction（PLE）"的模型。它通过改进任务相关性处理方法，提高了多任务学习模型的性能，特别是在大规模推荐系统中的应用
ESDF全空间转化的延迟反馈模型的算法思想与框架 -阿里巴巴
ESDF利用用户在所有印象上的序列行为来减轻样本选择偏差问题。通过共享CTR和CVR网络之间的嵌入参数，数据稀疏性问题得到了很大的缓解。
AFN 模型的详细解析-- 特征嵌入编码到对数空间 -上海交大
提出一种新的模型，可以自适应地从数据中学习任意阶交叉特征。AFN的关键思想是将特征嵌入编码到对数空间中，并将特征的幂转化为与系数相乘。
mmoe-专家混合（MoE）结构引入多任务学习 -谷歌
提出了一种名为MMOE模型。将专家混合（MoE）结构引入多任务学习，使专家子模型在所有任务之间显式共享。 A model called MMOE (Mixture of Experts) is proposed. It introduces the Mixture of Experts (MoE) structure into multi-task learning, enabling expert sub-models to explicitly share information across all tasks.
esm2-空间监督多任务模型的算法原理与架构演进 -阿里
我们设计了一种新颖的深度推荐模型，名为精心制定的整个空间监督多任务模型（ESM2），采用多任务学习以并行预测一些分解的子目标，并将它们按顺序组合以构建最终的CVR。
dnn双塔-Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendations -youtube
One of the towers is the item tower, which encodes a vast amount of content features related to items.proposed a method to evaluate item frequencies from streaming data. 其中一个塔是商品塔，它编码了与商品相关的大量内容特征。提出了一种从流数据中评估商品频率的方法。
FNFM-领域感知神经因子分解机的算法思想与架构 -浙江大学
提出了一种名为“领域感知神经因子分解机”（FNFM）的机制。这个模型可以像“领域感知因子分解机”一样具有强大的二阶特征交互学习能力
DEEPFFM 模型深入解析 -微博
提出了一种新的神经CTR模型，名为Field Attentive Deep Field-aware Factorization Machine (FAT-DeepFFM)，它将Deep Field-aware Factorization Machine (DeepFFM)与Compose-Excitation网络（CENet）字段注意力机制相结合。
xdeepfm 压缩交互网络（CIN）将CIN和经典的DNN结合 -中科大
提出了一种新颖的压缩交互网络（CIN），旨在以显式的方式在向量级别上生成特征相互作用，将CIN和经典的DNN结合成一个统一的模型，并将这个新模型命名为eXtreme Deep Factorization Machine（xDeepFM）
cin Compressed Interaction Network(this is cin description) -中科大 （xdeepfm）
the design choices in neural network architectures like CIN aim to balance the model's capacity to capture complex interactions with the risk of overfitting and computational efficiency. The specific choices may vary depending on the problem domain and the goals of the model. 神经网络架构中的设计选择，如CIN，旨在平衡模型捕获复杂相互作用的能力与过拟合和计算效率的风险。具体的选择可能会根据问题领域和模型的目标而有所不同。
esmm 全空间域建模的思想与架构 -阿里巴巴
通过充分利用用户行为的顺序模式，即印象→点击→转化，以全新的视角对CVR进行建模. By effectively leveraging the sequential patterns of user behavior, specifically impressions → clicks → conversions, we approach modeling CVR from a completely new perspective.
dcn模型的详细解析-（交叉网络更有效地学习有界度特征交互） -google
In this paper, we introduce the **Deep&Cross Network (DCN)** model, which not only retains the advantages of DNN models but also more effectively learns bounded-degree feature interactions by introducing a Cross Network. DCN demonstrates feature crossing at each layer, eliminating the need for manual feature engineering. This additional complexity compared to DNN models can be negligible. 在本论文中，我们介绍了**Deep&Cross Network (DCN)** 模型，该模型不仅保留了DNN模型的优点，还通过引入交叉网络更有效地学习有界度特征交互。DCN在每一层展示了特征的交叉，消除了手动特征工程的需求。与DNN模型相比，这种附加复杂性可能是可以忽略的。
