【直播预告】融合复杂目标且支持实时调控的重排模型在淘宝流式推荐场景的应用

06月29日，19:00-20:00，大淘宝技术与DataFun联合策划了本次活动，邀请阿里巴巴大淘宝技术算法专家王原老师 ，就重排模型在淘宝流式推荐场景的应用进行深度分享与交流，欢迎大家按时收看直播~

王原 阿里巴巴 大淘宝技术 算法专家

个人介绍：博士，美国纽约大学。2018年加入阿里巴巴；曾负责手机淘宝私域商品搜索推荐；目前负责手机淘宝首页“关注”信息流推荐算法。

演讲题目：融合复杂目标且支持实时调控的重排模型在淘宝流式推荐场景的应用

演讲提纲：

除了传统的相关性，复杂信息流推荐场景还需要兼顾多样的需求，包括打散（多样性），流量调控，多展示形态/多路供给融合等。传统推荐系统采用pipeline的形式，分步处理上述需求，可拓展性差，缺少统筹优化，限制场景推荐效果。我们提出全新的基于Generator-Evaluator（GE）架构的重排模型，它不仅能够突破传统相关性贪心排序的范式，以序列整体效果为目标生成序列，还能突破pipeline的推荐范式，在一个模型中有机融合复杂业务规则，给出end2end联合最优解。我们在淘宝信息流场景验证了提案的有效性，并全量上线。
重排多目标之间通常用权重表达相对重要性，现有方案通常依赖于静态建模，既偏好权重在离线训练期间就确定，之后不可改变。调整权重需要重新训练模型，既耗时又耗费资源。但是在实际应用中，权重实时调节可以给我们带来很多优势，比如大促期间对流量状态的相应。为此，我们提出了基于超网络的可控权重重排模型，无需训练模型，就可支持为每个测试样本实时指定融合权重，并生成符合权重设定的最优序列。

听众收益：
1. 复杂流式场景的挑战与重排模型的独特优势
2. 重排建模范式总结
3. 如何将复杂目标融入统一模型，给出e2e最优解
4. 如何实现目标之间的灵活调节

本文分享自微信公众号 - 大淘宝技术（AlibabaMTT）。
如有侵权，请联系 [email protected] 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。

爱奇艺客户端“白嫖”电视机，后台满速上传 TIOBE 7 月榜单：C++ 即将超越 C，JavaScript 进入 Top6 GPT-4 模型架构泄露：包含 1.8 万亿参数、采用混合专家模型 (MoE) 中后台前端苦 CURD 久矣，今将举 Koala Form 历时 30 年，Linux 市场份额达到 3% 马斯克宣布成立 xAI 公司 ChatGPT 流量下降 10% Twitter 劲敌 —— Threads 用户数突破 1 亿 新型 Windows 恶意软件，旨在全面窃取数据 SUSE 投入 1000 万美元，fork RHEL

{{o.name}}

{{m.name}}