在 CTR 预估中，从用户的行为序列中捕捉用户动态变化的兴趣一直是一个热门课题。然而现在大部分研究都集中在
转载
2021-07-24 11:31:25
10000+阅读
DSIN 深度 Session 兴趣网络介绍以及源码剖析前言（可以忽略~)本文介绍 DSIN 网络的基本原理，并
原创
2022-08-01 10:03:23
204阅读
DIEN是阿里深度兴趣进化网络(Deep Interest Evolution Network)的缩写。
之前我们对DIEN的源码进行了解读，那是基于 https://github.com/mouna99/dien 中的实现。
后来因为继续看DSIN，发现在DSIN代码https://github.com/shenweichen/DSIN中，也有DIEN的新实现。
于是阅读整理，遂有此文。
原创
2021-04-26 10:59:18
685阅读
Dymosim是一个独立的程序，用于Dymola的求解，可以通过命令“dymosim”或“dymosim dsin.txt dsres.mat”执行模拟。在这两种情况下，模拟运行都是通过读取输入文件dsin.txt来执行，并将仿真结果存储在dsres.mat二进制文件中。Dymosim提供了许多积分算法，下面将介绍这些算法的特点以及适用对象，但谨记，不应该只依赖一种算法进行仿真实验，相反，应该用两
探索PaddleRec：来自PaddlePaddle的深度学习推荐系统库 PaddleRecRecommendation Algorithm大规模推荐算法库，包含推荐系统经典及最新算法LR、Wide&Deep、DSSM、TDM、MIND、Word2Vec、Bert4Rec、DeepWalk、SSR、AITM，DSIN，SIGN，IPREC、GRU4Rec、Youtube_dnn、NCF、G
目录1 介绍2 原理2.1 Base Model2.2 DIN3 总结4 代码实践写在最后 1 介绍本文为 推荐系统专栏 的第九篇文章，也是阿里三部曲 DIN、DIEN、DSIN中的第一篇。内容围绕 DIN 的原理及代码展开，后续会出后两篇的详解。阿里出品的深度兴趣网络 DIN，通过引入 Attention Layer，赋予用户行为不同的重要性权重，获得更具表达能力的用户兴趣表示。 2 原理2.
转载
2024-04-24 08:45:55
321阅读
推荐系统和广告CTR预估主流模型的演化有两条主要路线。第一条是显式建模特征交互，提升模型对交叉特征的捕获能力。(如Wide&Deep,PNN,FNN,DCN,DeepFM,AutoInt等)第二条是加入注意力机制，提升模型的自适应能力和解释性。(如DIN,DIEN,DSIN,FiBiNET,AutoInt等)在所有这些模型中，DeepFM属于性价比非常高的模型（结构简洁，计算高效，指标有竞
转载
2024-04-25 10:45:26
168阅读
一句话总结：从用户行为发现，在每个会话中的行为是相近的，而在不同会话之间差别是很大的，阿里提出了深度会话兴趣网络Deep Session Interest Network，来建模用户这种跟会话密切相关的行为。session划分，首先将用户的点击行为按照时间排序，判断每两个行为之间的时间间隔，前后的时间间隔大于30min，就进行切分。1.论文阅读为什么提出DSIN？经过观察，发现每个会话内的行为比较
这篇开始介绍晶体衍射。布拉格定理（Bragg's law) 考虑间距为d的平行晶面，入射辐射线位于纸面平面内。相邻平行晶面反射的射线行程差是2dsinθ，式中从镜面开始量度。当行程差是波长的整数倍时，来自相继平面的辐射就发生了相长干涉。按照布拉格定理 波在平面hkl上的绕射(衍射)的条件是: 这边做下变换: 做这个
0. 写在前面前面我们分别讲了alibaba在电商推荐场景下的两大工作，分别是DIEN和DSIN。其实，这两个模型均基于最初的模型DIN(Deep Interest Network)发展优化而来。这次，我们就来看看DIN相比于其他模型而言，到底有哪些优化点。个人心得：用户的历史行为与每个候选物品的相关性权重不是一定的，可以用attention来建模激活函数的优化--适应数据分布的激活函数Dice论
具体步骤获得S盒的差分对应表在具体程序实现时可以建一个8*64*16的三维集合数组，经过如下算法，就可以生成差分分布表Sd（代码中“this.”指实例化后的操作对象），例如Sd[2][32][12]存放了第二个S盒输入差为32，输出差为12的所有可能输入值（输入值可能不止一个，也可能为空，所以Sd[i][j][k]本身是一个集合）。差分对应表的一部分如下图所示，下图中S8表示第8个S盒，dSin表
