推荐搜索系统论文干货集锦

    本文主要聚焦搜索推荐领域最新研究成果，通过“问题背景、核心创新点、论文效果”等方面去解读作者的设计思路，同时可以给予我们的启发。问题背景：在什么推荐场景下解决什么类型的推荐问题。核心创新点：最具有独创性和新颖性的技术点是什么，每个技术点在解决什么问题。论文效果：在这个场景下，通过该创新的方法可以达到怎么样的效果，并尝试从中找出对于业务最好的工作。   

热门文章

1.推荐系统里的那些坑儿

2.算法大佬看了流泪，为什么这么好的CTR预估总结之前没分享(上篇)

3.算法大佬看了流泪，为什么这么好的CTR预估总结之前没分享(下篇)

4.炼丹师最强危机，谷歌开源最强AutoML工具！

5.负样本修正：既然数据是模型的上限，就不要破坏这个上限

Transformer系列

1.Transformer的一家！

2.AAAI21最佳论文Informer：效果远超Transformer的长序列预测神器！

3.Transformer是巧合还是必然？搜索推荐领域的新潮流

4.原来有这个算法，让点评体验如此好！

5.霸榜各大CV任务榜单，Swin Transformer横空出世！

双塔模型相关案例

1.就是这么"硬"！召回系统就该这么做！

2.是"塔"！是"塔"!就是它，我们的双塔！

3.SENet双塔模型：在推荐领域召回粗排的应用及其它

多目标学习相关案例

1.多目标学习在推荐系统中的应用(汇总,转载,公众号)

2.别说话，复现它！

3.这些我全要！推荐系统一石二鸟之道

4.流量为王：收益最大化的混排机制

搜索推荐中CTR/CVR多任务学习

1.推荐系统多任务学习上分神技！(NMTR,ICDE19)

2.多任务学习如何做到你好我也好？(PLE,RecSys20)

3.如何让你的推荐系统具有可解释性？(WWW19)

4.协同过滤算法效果不佳怎么办？知识图谱来帮忙啦(MKR,WWW19)

5.我为什么喜欢它？带有解释的推荐系统第二弹(MT,RecSys18)

6.猜猜你的标签有多少错了？

7.颤抖吧，标签工程来了！

神经网络特征交叉的相关工作案例

大神经网络序列化的相关工作

工业界推荐算法方案实战

    分享工作中遇到过的实际问题及相应的解决方案，例如推荐线上线下一致性问题、工业界算法效果评估问题等。同时我们也将身边的业务知识做基础布道，讲述电商搜索推荐领域的业务词汇等。我们致力于将自己的经验知识沉淀，并与大家分享。

数据竞赛届深度炼丹技巧

    为了让自己时刻保持激情与战斗状态，我们会参加一些数据竞赛并在这个过程中分享我们的解题思路与炼丹技巧，在实践中亮剑。  

1.CIKM 2019 EComm AI用户行为预测大赛三大方案解读

2.CIKM EComm AI用户行为预测大赛冠军方案解读

3.RecSys2020推荐系统特征工程汇总

4.RecSys2020大赛第一名方案

5.推荐大赛如何在一周时间内打进决赛

6.kaggle竞赛宝典第一章-竞赛框架篇！

7.学术圈竞赛圈大讨论，深度学习真的比不过GBDT模型吗？

8.ICDM2020 Top3方案分享

9.NN如何在表格数据中战胜GBDT类模型！

算法大佬们的经验分享

    不时我们会邀请周边的大佬谈谈对于炼丹算法工程师的一些心路历程，职场感受，对新人的建议，还有其他的一些心得，如果你对于这块比较迷茫也欢迎联系我们哦。  

1.我的成长之路：追逐冠军的少年

2.是的，我从阿里离职了。

3.五年前的转正我没有留下，校招进不了大公司就是失败吗？

4.2020届校招寻职记

5.听说看完这篇的人，从调包侠变成了真正的炼丹侠

6.炼丹失败率高达87%的TOP10原因

7.一个女算法程序媛的日常

还等什么？点击下方「炼丹笔记」，更多干货第一时间推送哦！