CSCNN:新一代京東電商廣告排序模型
分享嘉賓:劉鵠?京東 算法工程師
編輯整理:李沛欣
出品平臺(tái):DataFunTalk
本次分享主要包括以下內(nèi)容:
-
背景介紹
-
CTR模型的優(yōu)化方向
-
基于視覺信息的CTR廣告預(yù)測(cè)
-
我們的工作:CSCNN
-
效果展示
京東搜索廣告依托于京東和京準(zhǔn)通的數(shù)字營(yíng)銷平臺(tái)實(shí)現(xiàn)搜索場(chǎng)景下的流量變現(xiàn),每天幫助數(shù)百萬(wàn)的廣告主觸達(dá)數(shù)億的京東用戶。
1.?京東9NAI平臺(tái)
京東廣告算法團(tuán)隊(duì)主要做京東電商平臺(tái)下全場(chǎng)景的廣告流量變現(xiàn),包括的業(yè)務(wù)線包括搜索、推薦、站外、線下、品牌,360營(yíng)銷等等。用到的主要的模型,除了CTR模型,還有CVR、出價(jià)、圖像、創(chuàng)意模型等,這些都依賴于京東自研的9NAI的機(jī)器學(xué)習(xí)平臺(tái)。該平臺(tái)擁有離線訓(xùn)練,離線預(yù)估,線上inference、 模型的發(fā)版等功能。整個(gè)平臺(tái)的內(nèi)核基于TensorFlow框架搭建,并根據(jù)業(yè)務(wù)進(jìn)行了性能優(yōu)化,離線訓(xùn)練的調(diào)度則基于k8s開發(fā)。
2. 電商環(huán)境下優(yōu)化ECPM的主要方式
在京東搜索廣告的直觀的展示界面,當(dāng)用戶搜索Query為"連衣裙"時(shí),前序模塊會(huì)召回n個(gè)廣告,都是和連衣裙的Query強(qiáng)相關(guān)、符合Query約束的商品。
ECPM排序的主要工作是n個(gè)廣告內(nèi)部順序的精排。在廣告場(chǎng)景下,排序的指標(biāo)就是平臺(tái)的營(yíng)收。
具體來(lái)看,作為CPC廣告,廣告主為每次點(diǎn)擊支付確定的出價(jià)bid。因此每次展現(xiàn)平臺(tái)所獲得的價(jià)值,就等于用戶點(diǎn)擊廣告的概率再乘以這次點(diǎn)擊的出價(jià),即ECPM ( effective cost per mile,千次展示期望收入 )。但是有時(shí)需要考慮Query下所有展現(xiàn)給用戶的商品對(duì)平臺(tái)帶來(lái)的總價(jià)值,即此時(shí)需要優(yōu)化所有展現(xiàn)給用戶廣告ECPM的和。但由于用戶Query為"連衣裙"時(shí),用戶的下拉深度有限,所以該問題是有約束的優(yōu)化:在用戶看到有限深度廣告的前提下,極大化用戶對(duì)平臺(tái)的總營(yíng)收。
如果展現(xiàn)給用戶廣告之間的CTR條件獨(dú)立,可以通過貪婪方式求解優(yōu)化,即:按ECPM從大到小依次展現(xiàn)給用戶,這樣Query下的整體收入最高。
而ECPM中的第二項(xiàng)bid是由廣告主給出的。假如用ECPM的序作為訓(xùn)練和預(yù)估的指標(biāo)的話,廣告主可能通過調(diào)bid來(lái)hack模型系統(tǒng)。為避免這種情況,我們一般在離線時(shí)采用AUC作為訓(xùn)練和評(píng)估指標(biāo),通過訓(xùn)練CTR排序效果更好的模型,來(lái)間接提升線上ECPM排序和線上收入。
CTR ( Click-Through-Rate ) 即在建模展現(xiàn)這條廣告的情況下,用戶點(diǎn)擊的概率。在搜索的場(chǎng)景下,該概率可以描述成依賴于4個(gè)不同類型輸入的函數(shù):
-
Query:描述用戶搜索意圖。
-
用戶側(cè)特征:描述用戶的興趣、偏好。
-
商品側(cè)特征:描述這個(gè)商品是否優(yōu)質(zhì)。
-
context特征:描述用戶搜索時(shí)屬于怎樣的場(chǎng)景,是上班的時(shí)候搜的還是周末搜的,此時(shí)是否有活動(dòng)。
1. 特征工程與提取數(shù)據(jù)
特征工程主要包括以下幾點(diǎn):
多模態(tài)信息建模:
-
人工特征:一般在構(gòu)建CTR模型的初期,會(huì)花很多精力做人工特征,比如說ID類的或者是實(shí)數(shù)的特征。通過構(gòu)建有區(qū)分性的特征來(lái)優(yōu)化模型的效果。
-
文本特征:描述細(xì)粒度Query中的用戶意圖。
-
用戶側(cè)特征:對(duì)用戶和商品之間關(guān)系的建模。比如說對(duì)用戶序列進(jìn)行建模,或者是對(duì)用戶和商品之間的交互關(guān)系做圖表示建模。
-
圖像特征:它和前面的信息源的模態(tài)不同,但在多媒體的場(chǎng)景下,圖像一般是和文字一起構(gòu)建完整的商品信息展現(xiàn)給用戶,所以這部分的建模也很有必要。
特征的交叉:FM 、FFM、DCN等替代繁重手工特征交叉的方法。
解決過擬合問題:解決特征長(zhǎng)尾稀疏時(shí),embedding的過擬合問題。
2. 對(duì)CTR模型做目標(biāo)函數(shù)刻畫
度量學(xué)習(xí)問題:之前給出的搜索場(chǎng)景不是很適合做pointwise的模型,主要的原因在于在搜索的場(chǎng)景下,候選集很有限。比如說搜連衣裙的時(shí)候, n個(gè)商品都是連衣裙,并不需要區(qū)分用戶點(diǎn)擊連衣裙商品和鞋子商品的概率的高低,因?yàn)樗鼪]有可比性。所以在搜索場(chǎng)景下,做得更多的是在小候選集下的優(yōu)化過程,此時(shí)需要做一些Query下的AUC的訓(xùn)練和預(yù)估。
Selection bias 問題:主要描述的是在電商場(chǎng)景下會(huì)出現(xiàn)一些訓(xùn)練集和測(cè)試集不一致的情況。測(cè)試集指的就是線上預(yù)估的集合,因?yàn)樵诰€上召回幾百個(gè)商品,要對(duì)這幾百個(gè)商品進(jìn)行排序的情況下,因?yàn)閷?shí)際上一頁(yè)展現(xiàn)的商品有限,可能最終展現(xiàn)給用戶只有頭部的這幾個(gè)有l(wèi)abel的商品。所以在離線評(píng)估的時(shí)候,只能評(píng)估這幾個(gè)商品的使用情況,但是在線上Serving的時(shí)候需要對(duì)整體進(jìn)行排序,就要解決Selection bias的問題。
長(zhǎng)期回報(bào)問題:在上一頁(yè)P(yáng)PT中給出了一些簡(jiǎn)單的假設(shè),是當(dāng)上下的商品沒有耦合關(guān)系的情況下,可以做貪婪CTR模型。如果有耦合關(guān)系,可能就要對(duì)搜索詞下的整個(gè)用戶對(duì)電商平臺(tái)產(chǎn)生的回報(bào),即加和的Reward (?長(zhǎng)期回報(bào) ) 建模。
3. 結(jié)合系統(tǒng)架構(gòu)的工作
Online Learning:線上系統(tǒng)中數(shù)據(jù)分布式是時(shí)變的。工程上的傳統(tǒng)方式是做定期重啟的全量訓(xùn)練。但由于數(shù)據(jù)量大,訓(xùn)練很慢,依然會(huì)導(dǎo)致訓(xùn)練和預(yù)估存在時(shí)間/分布的gap。online-learning是一種很有用的方向,通過流式的數(shù)據(jù)預(yù)處理和訓(xùn)練,使模型緊跟線上分布,解決時(shí)變帶來(lái)的gap。
線上分布式serving:由于單機(jī)內(nèi)存的限制,線上模型的體積會(huì)受到約束。我們通過分布式和模型并行支持TB型的模型的加載,同時(shí)保證模型各部分參數(shù)版本一致性。放開了線上內(nèi)存的限制,增加模型的表達(dá)能力。
線上gpu serving:放開線上計(jì)算復(fù)雜度的限制,有助于使用更深的更復(fù)雜的模型結(jié)構(gòu)來(lái)增加模型的表達(dá)能力。
所以說從整體上來(lái)看,本研究所探討的使用視覺信息提升排序模型效果的工作,主要還是集中在第一部分——特征和數(shù)據(jù)建模中多模態(tài)的建模。通過優(yōu)化這些圖像的特征建模,能夠得到商品側(cè)更好的展現(xiàn)效果,進(jìn)而提升用戶對(duì)于商品的點(diǎn)擊率。
03
基于視覺信息的CTR廣告預(yù)測(cè)
1. 視覺信息在商品展現(xiàn)中給人呈現(xiàn)的印象
Intuition:在整個(gè)搜索版面中,每個(gè)商品都是圖文結(jié)合的。商品主圖的版面很大,有很強(qiáng)的視覺沖擊力,而且主圖中會(huì)包含很多細(xì)節(jié)信息,比如說材質(zhì)、紋理、款式等,這些信息是難以通過title、ID類特征或者是一些屬性信息體現(xiàn)出來(lái)的,只能通過圖像來(lái)提取這些細(xì)節(jié)信息進(jìn)行建模。而且在訓(xùn)練的過程中,只對(duì)這些ID類特征進(jìn)行辨別,可能還會(huì)遇到一些稀疏或者冷啟動(dòng)的問題。假如使用CNN來(lái)提取圖像特征的話,更有可能來(lái)避免這些事情來(lái)提升模型的泛化性。
2. 使用圖像建模的瓶頸
工程實(shí)現(xiàn)較為困難:此前用到的一些點(diǎn)擊率預(yù)估模型都是比較簡(jiǎn)單的MLP的模型,他們其實(shí)訓(xùn)練和serving都是非常快的。但是加上CNN之后,訓(xùn)練會(huì)出現(xiàn)性能瓶頸,導(dǎo)致模型更新周期更長(zhǎng);serving也會(huì)出現(xiàn)非常嚴(yán)重的性能瓶頸,可能會(huì)直接影響線上服務(wù)的時(shí)遲。
建模效果收益有限:
在使用圖像特征之前,我們已經(jīng)提了很多的商品側(cè)的特征,傳統(tǒng)建模方式不能完全保證從圖像中來(lái)獲取到的是增量細(xì)節(jié)信息。假如只提取到一些和已有屬性或者類目重復(fù)的信息,那么引入CNN直接建模圖像的意義就很小了。
和傳統(tǒng)圖像的任務(wù)不同,例如檢測(cè)分割或者是分類問題的監(jiān)督信號(hào)非常強(qiáng),但點(diǎn)擊率預(yù)估是一個(gè)監(jiān)督信號(hào)很弱的場(chǎng)景。用戶點(diǎn)或者沒點(diǎn)二分類場(chǎng)景中,本身就是包含了一定的random noise。在這種監(jiān)督信號(hào)不強(qiáng)、有噪的情況下,訓(xùn)練好CNN是困難的。
3. 問題的解決
下面,我們主要針對(duì)這兩點(diǎn)做了一些已有方法的調(diào)研。
-
固定提取embedding圖像:不做二階段的訓(xùn)練,從而規(guī)避前述問題。但是固定的CNN提取出來(lái)的特征,無(wú)法保證和已有的屬性、類目信息不產(chǎn)生交疊,因此CNN提供的增量信息有限。
-
端到端的CNN和CTR模型聯(lián)合的訓(xùn)練:絕大多數(shù)工作還都是在做離線的評(píng)估,很少有做工業(yè)級(jí)數(shù)據(jù)的線上serving。所有工作都直接將傳統(tǒng)用于圖像分類的CNN直接拼入CTR模型中,并沒有做任何結(jié)構(gòu)的改進(jìn)以適配當(dāng)下問題 ( 后續(xù)會(huì)說明傳統(tǒng)CNN解決CTR問題的不足 )。
-
pre-training:使用圖像分類/只基于圖像的CTR問題,做pre-training。以期獲得二階段更好的效果。
04
我們的工作:CSCNN
1. 研究的出發(fā)點(diǎn):CTR模型建模本身存在的問題
傳統(tǒng)使用CNN引入圖像信息的模式,屬于Late Fusion。這種方法從CNN提取出embedding,再和已有的特征一起參與 CTR的模型建模,本身就存在一些問題。
-
信息浪費(fèi):在建模圖像之前,模型通過類目等id類特征就已經(jīng)知道這個(gè)商品是連衣裙了。而這些視覺先驗(yàn)現(xiàn)在還沒有加到CNN的建模中來(lái),即這部分的信息被浪費(fèi)了。假如知道這些先驗(yàn),CNN的任務(wù)就會(huì)更簡(jiǎn)單些。換句話說,CNN的任務(wù)應(yīng)該是:在知道該商品為連衣裙類目的情況下,提取出連衣裙相關(guān)的特征、捕獲連衣裙的細(xì)節(jié)。假如能把已有的視覺先驗(yàn)加到CNN的輸入中,CNN的訓(xùn)練和 serving效果都會(huì)更好。
-
包含與類目無(wú)關(guān)的信息:如果把這些有視覺先驗(yàn)的信息提前告訴CNN,它就有可能避免提取到一些與類目無(wú)關(guān)的信息。對(duì)于連衣裙圖片,可能背景中有一些和類目相關(guān)性不高的物品。我們可以根據(jù)類別先驗(yàn),避免將背景噪聲耦合進(jìn)來(lái)。
綜上,我們整體的方向就是通過已有的圖像之外的視覺先驗(yàn),幫助CNN的學(xué)習(xí)。
2. SENet作為特征再校準(zhǔn)模塊的作用
前期的調(diào)研中,我們發(fā)現(xiàn)SENET的思想和我們有些類似。做圖像的同學(xué)都比較清楚,SENET是被插在每個(gè)卷積操作的Feature map之后,有點(diǎn)類似于Self-attention的小模塊。首先把它的空間的尺度給壓掉,得到c維的向量,再做c維向量?jī)?nèi)部的交互,得到c維的 scale乘到c維的feature map上。
舉個(gè)例子,我有c個(gè)Feature map ( 特征圖 ),通過內(nèi)部的交互來(lái)決定哪個(gè)特征圖應(yīng)該加強(qiáng),哪個(gè)應(yīng)該減弱。這是一種類似self-attention ( 自注意力機(jī)制 ) 的 Feature map recalibration ( 特征圖再校準(zhǔn) ) 的問題。在點(diǎn)擊率預(yù)估的問題中,recalibration就有點(diǎn)像做特征選擇??梢哉J(rèn)為這c個(gè)特征圖是表示圖像不同方面的信息,通過自注意力機(jī)制的方式去進(jìn)行選擇。但是有沒有可能把這些類目的信息或者是從其他地方得到的視覺先驗(yàn)加進(jìn)來(lái),做一些基于視覺先驗(yàn)的特征選擇呢?答案是肯定的。
3. 類目特定的卷積神經(jīng)網(wǎng)絡(luò):CSCNN
Category Specific CNN ( 類目特定的卷積神經(jīng)網(wǎng)絡(luò) ),具體的操作方式和SENET稍微有點(diǎn)類似。
還是以連衣裙特征提取任務(wù)為例,當(dāng)給定類目是連衣裙時(shí),可以把連衣裙的embedding加到 channel-wise attention ( 通道域注意力機(jī)制 ),以及 spatial-wise attention ( 空間域注意力機(jī)制 ) 的過程中。這種方式相當(dāng)于為輸入的feature map提取和 category有關(guān)的channel和spatial ?feature ( 空間特征 )。或者說是在卷積的每一層之后,通過引入category的信息做category specific的 feature recalibration。進(jìn)而實(shí)現(xiàn)category specific的圖像特征的抽取和圖像特征選擇。
這種逐層引入 category ( 類目特征 ) 的視覺先驗(yàn)到 CNN里面的方法,可以認(rèn)為是在CNN逐層提取越來(lái)越抽象信息的過程中,不停地加入類目相關(guān)的特征選擇。最終CNN提取出來(lái)的視覺信息就是一種類目相關(guān)的信息,或者說是把很大的圖像信息抽取問題特化成小類目下的圖像特征抽取問題,進(jìn)而簡(jiǎn)化CNN的學(xué)習(xí)任務(wù)。
具體來(lái)講,上面是具體的channel-wise attention ( 通道域注意力機(jī)制 ) 的實(shí)現(xiàn)方式。和SENET很類似的部分是在這里——通過Feature map來(lái)做一些average pooling ( 平均池化 )?和 max pooling ( 最大池化 ),得到C維的向量。而后又拼上category embedding,從而相當(dāng)于在前半部分得到全局的圖像特征表示。經(jīng)過全連接,得到類目特定的通道域側(cè)的加權(quán)系數(shù)。平均池化和最大池化這兩路加起來(lái),經(jīng)過sigmoid函數(shù)來(lái)得到通道加權(quán)系數(shù),加權(quán)后得到channel的refined-feature map ( 提純特征圖 )。類似地還做了category-specific Spatial Attention module ( 類別特定的空間域注意力機(jī)制模型 ),它的方式就是把channel 的這一維average pooling或者max pooling掉,再拼上同樣大小的category embedding,經(jīng)過卷積的方式,提取到 spatial的加權(quán)系數(shù),最后得到spatial的refined CNN Feature Map。通過這兩種不同的模塊,我們?cè)诰矸e的過程中,在每個(gè)feature map后,都做了類目先驗(yàn)相關(guān)的特征抽取 ( 特征選擇 ) 以提升CNN的學(xué)習(xí)效果。
3. 用9NAI進(jìn)行的工程實(shí)現(xiàn)
再介紹一下為了解決前面說到的一些工程實(shí)現(xiàn)的問題,和對(duì)應(yīng)的加速方法。
這張圖是模型系統(tǒng)的簡(jiǎn)化圖。從右下角開始看,特征通過線上feature dump下來(lái)。由于線上預(yù)估時(shí)實(shí)際上沒有用到圖像,所以這部分特征里也是沒有圖像的。
經(jīng)過對(duì)相同商品ID及其圖像特征的離線拼接,特征中就同時(shí)包含了圖像特征、類別特征等三部分的特征,融到一起得到了一個(gè)端到端的帶CNN的 CTR 預(yù)估訓(xùn)練模型。
端到端訓(xùn)練之后,會(huì)產(chǎn)生這樣一個(gè)問題:CNN部分線上serving緩慢。我們采用了一種空間換時(shí)間的加速方式。具體是我們先對(duì)全站商品的CNN embedding進(jìn)行離線預(yù)估,形成詞表,把這個(gè)詞表和模型的其他部分一起加載到線上的系統(tǒng)中,線上就可以直接通過商品的ID來(lái)查到商品的embedding。
之所以這樣做,是因?yàn)榻y(tǒng)計(jì)發(fā)現(xiàn)廣告主更換商品主圖的頻次很低。每天更新模型,每天使用最新的 CNN產(chǎn)出線上用的Lookup Table ( 查找表 ),對(duì)這種低頻變化的主圖是穩(wěn)定可靠的。在線上通過20G的查找表,我們?cè)贑PU的機(jī)器上實(shí)現(xiàn)了20毫秒以內(nèi)的tp99 ( 99%以內(nèi)網(wǎng)絡(luò)需求的最低延時(shí) )。
4. 離線訓(xùn)練加速
加入CNN之后,原來(lái)可能一天能訓(xùn)練好的模型需要數(shù)天時(shí)間才能訓(xùn)練好,CNN在這部分的離線計(jì)算瓶頸比較大。
具體進(jìn)行離線加速的方式包括兩部分:
-
按照商品的主圖進(jìn)行聚合。我們將至多25個(gè)對(duì)應(yīng)同商品的不同的請(qǐng)求聚合 ( 他們可能是來(lái)自不同用戶的,但是他們看到或者點(diǎn)擊了相同的商品 )。這批聚合了的請(qǐng)求在訓(xùn)練的過程中由于圖像是相同的,所以CNN這部分只用forward和backward一次。這種方式在不影響離線訓(xùn)練效果的情況下,能極大提升離線訓(xùn)練效率。
-
單機(jī)4卡的同步更新。做這件事情的主要意義是可以節(jié)省CNN梯度回傳的次數(shù),4GPU只回傳一次梯度,節(jié)省了 PS框架下server傳輸成本,進(jìn)而提升離線訓(xùn)練速度。最終在百億規(guī)模的訓(xùn)練集上我們可以在24小時(shí)內(nèi)完成離線訓(xùn)練。
05
接下來(lái)介紹整個(gè)算法以及工程架構(gòu)在線上和公開數(shù)據(jù)集上的實(shí)際效果。
1. 算法模型在公共數(shù)據(jù)集中的效果
在公開數(shù)據(jù)集的實(shí)驗(yàn)用了比較簡(jiǎn)單的CTR模型,來(lái)檢驗(yàn)圖像特征提取的這部分究竟起到多大的作用。這里沒有看它和CTR模型的耦合,基本只關(guān)注圖像。以亞馬遜的數(shù)據(jù)集為訓(xùn)練集,每個(gè)子類里邊都有幾十類的商品,采用AUC評(píng)估指標(biāo),主要的對(duì)比方法分成以下幾種:
-
不依賴于圖像的方法;
-
依賴圖像的方法;
-
在圖像之外加入類別信息的視覺先驗(yàn)的方法。
和我們最接近的方法是SCA,它是在image caption ( 圖像描述 ) 方向的工作,在卷積的后幾層加入空間域和通道域的注意力機(jī)制。
對(duì)比之后發(fā)現(xiàn),加入圖像信息相比不加圖像有非常大的AUC提升。通過Fintune ( 遷移學(xué)習(xí) ) 的方法也比非Fintune的方法好,主要的考慮是來(lái)自于非遷移學(xué)習(xí)的方法可能提取出來(lái)的特征可能和已有的特征是有關(guān)系的,所以做遷移學(xué)習(xí)效果更好一些。
這三種方法就是加入類別信息的方法。雖然已有工作也加入了類別、視覺先驗(yàn),但是他們都采用了late fusion的方式:CNN并不知道這些類別的先驗(yàn),CNN提取了特征之后,再和這些類別、視覺先驗(yàn)進(jìn)行耦合建模。
后兩種方法都將類別先驗(yàn)加到了CNN里。SCA雖然是在圖像描述中取得很好的效果,但是由于它無(wú)法很好地加到每一層的卷積后,對(duì)于簡(jiǎn)化CNN學(xué)習(xí)效果并沒有我們好。我們?cè)谒械闹笜?biāo)上都大幅領(lǐng)先了state-of-the-art。
我們進(jìn)一步回答了category specific模塊對(duì)所有的CNN架構(gòu)、注意力機(jī)制的普適性。無(wú)論是CNN-F還是inception,SE還是一些spatial attention的模塊,加入了我們的category specific機(jī)制都可以得到一致的效果提升。
2. 算法模型在工業(yè)數(shù)據(jù)集中的效果
工業(yè)數(shù)據(jù)相比于公開數(shù)據(jù)有很大的不同,主要有兩大特點(diǎn):
-
數(shù)據(jù)量非常大:150億的數(shù)據(jù),3000多類別數(shù),還包含各種各樣已有的人工提取的特征。
-
工業(yè)數(shù)據(jù)的特點(diǎn):長(zhǎng)尾、稀疏。
這里我畫了幾個(gè)特征的例子。比如Query這個(gè)特征,有90%的Query出現(xiàn)的次數(shù)不足10次。在這種非常稀疏的場(chǎng)景下,特征泛化性差,過擬合和冷啟問題嚴(yán)重。
我們的建?;A(chǔ)——CTR model是三層的DCN的模型,提取圖像信息的網(wǎng)絡(luò)采用了Res18的網(wǎng)絡(luò)。我們?cè)谒幕A(chǔ)上進(jìn)一步增加了category specific 模塊。
研究發(fā)現(xiàn),在基礎(chǔ)的模型下,加入這種固定的CNN embedding已經(jīng)有了一些提升效果,但并不是很大。在加入了Fintune遷移學(xué)習(xí)之后,得到了進(jìn)一步的提升。再加入CBAM的模塊,以類似self-attention的方式來(lái)決定哪些特征應(yīng)該加強(qiáng)或者減弱,整個(gè)模型效果又得到一點(diǎn)點(diǎn)提升。但主要的提升還是來(lái)自于最后的CSCNN,通過加入類目特定的視覺先驗(yàn)來(lái)幫助CNN的學(xué)習(xí)。目前CSCNN已經(jīng)在京東搜索廣告上全量,每天服務(wù)數(shù)億用戶和數(shù)百萬(wàn)廣告主。
嘉賓介紹:
劉鵠
京東 |?算法工程師
劉鵠,清華大學(xué)自動(dòng)化系碩士。目前就職于京東,搜索廣告排序模型方向負(fù)責(zé)人。工作曾在CVPR,NIPS,KDD等頂級(jí)會(huì)議發(fā)表。
免責(zé)聲明:本文內(nèi)容由21ic獲得授權(quán)后發(fā)布,版權(quán)歸原作者所有,本平臺(tái)僅提供信息存儲(chǔ)服務(wù)。文章僅代表作者個(gè)人觀點(diǎn),不代表本平臺(tái)立場(chǎng),如有問題,請(qǐng)聯(lián)系我們,謝謝!