我要投稿

推荐系统-重排序-阿里SRGA

发布日期：2024-10-05 18:35:14 浏览次数： 2255

作者：后厂村搬砖工

微信搜一搜，关注“后厂村搬砖工”

一、模型整体结构
二、1.1 Input Layer
三、1.2 PI Layer
四、1.3 Gated Attention Layer
五、Output Layer
六、损失函数

推荐阅读⭐️⭐️⭐️⭐️⭐️
《Scope-aware Re-ranking with Gated Attention in Feed》

这篇文章是蚂蚁公开的一种信息流商品重排序的方法。建模时考虑了用户在信息流商品推荐场景下的浏览行为，总结出两种行为特征：

单向性：在移动设备上，用户几乎以自上而下的方式浏览feeds流中的商品，很少来回比较商品
局部性：用户经常将他们当前观察到的商品与排在其邻接的商品进行比较

现有的重排序模型大都忽略了这两种行为特征，本文提出的建模思路：

强调沿用户共同浏览方向的影响，设计了一个全局范围的注意力机制（GSA）来从上到下单向编码商品间的影响，以此来刻画单向性
加强了用户可视窗口内关键相邻商品的影响，设计了一个局部范围的注意力机制（LSA）来增强推荐列表上相邻商品之间的交互，以此来刻画局部性
设计了一种门控机制（Gate Module），以动态聚合来自局部和全局范围注意力对最后整体排序的影响

一、模型整体结构

二、1.1 Input Layer

模型的第一部分输入为用户侧特征，经过一个前馈神经网络层得到用户侧特征向量：。

模型的第二部分输入为长度为k的商品列表，每个商品经过前馈神经网络层并与对应的位置特征向量融合后得到商品向量：，其中为第i个商品对应的特征。

三、1.2 PI Layer

这里主要计算用户u对商品i的个性化偏好表示（用户向量和商品向量两两拼接后经过两个前馈神经网络层得到相应的向量表示）：

四、1.3 Gated Attention Layer

这一部分是文章的重点，主要包含前文提到的以下三点：

GSA：全局范围的注意力机制，从上到下单向编码商品间的影响，刻画单向性
LSA：局部范围的注意力机制，来增强推荐列表上相邻商品之间的交互，刻画局部性
Gate Module：门控机制，动态聚合来自局部和全局范围注意力对最后整体排序的影响

其中GSA和LSA采用的是self-attention的结构，只是在计算注意力权重时分别做对应的特殊处理，self-attention结构常见的公式表示：

GSA计算逻辑：

LSA计算逻辑：

Attention(Q,K,V)的计算逻辑用图来表示：

GSA和LSA的基本逻辑可以认为是在计算softmax之前对注意力权重矩阵中的相应位置做对应的特殊处理。

Gate Module的主要作用就是融合GSA和LSA的输出：

五、Output Layer

最终的输出为用户u对商品i的偏好概率：

六、损失函数

模型训练时的损失函数为：

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-12-14

我微调了一个LangChain专家模型，离Vibe Agent又近了一步

2025-12-11

左脚踩右脚：大模型的有趣且简单的微调方式“SHADOW-FT”

2025-12-11

大模型训练的高效内存解决方案：流水线感知的细粒度激活卸载，实现显存开销与吞吐性能的联合最优

2025-12-08

一杯咖啡成本搞定多模态微调：FC DevPod + Llama-Factory 极速实战

2025-12-04

OpenAI公开新的模型训练方法：或许能解决模型撒谎问题，已在GPT-5 thiking验证

2025-11-23

微调Rerank模型完整指南

2025-11-22

大模型微调全流程实战指南：基于IPO框架的深度解析与优化

2025-11-21

AI基础 | Qwen3 0.6B 微调实现轻量级意图识别

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

微调已死？Google 和斯坦福论文指出AI 学习新范式

2025-10-12

用Macbook微调Qwen3！手把手教你用微调给Qwen起一个新名字

2025-10-14

从零教你微调一个专属领域大模型，看完小白也能学会炼丹!（完整版）

2025-10-21

一位淘宝工程同学的大模型LoRA微调尝试

2025-09-24

在Colab中微调Qwen3-4B模型实战指南

2025-09-20

如何将 AI 代码采纳率从30%提升到80%？

2025-09-25

基于昇腾NPU的Qwen3量化因子代码生成微调实战

2025-11-05

2张4090竟能本地微调万亿参数Kimi K2！趋境联合清华北航把算力门槛击穿了

2025-11-05

AI基础 | Qwen3 0.6B 微调实现轻量级意图识别

2025-11-21

OpenAI公开新的模型训练方法：或许能解决模型撒谎问题，已在GPT-5 thiking验证

2025-12-04

大家都在问

LoAR做Fine-Tuning微调原理到底是什么？

2025-11-19

如何将 AI 代码采纳率从30%提升到80%？

2025-09-25

大模型微调，为什么99%的企业都不应该碰这个坑？

2025-06-20

万不得已，不要对 LLM 进行微调？

2025-06-17

可以将任何符合OpenAPI规范的接口转 MCP Server吗？

2025-05-21

OpenAI发布GPT-4.1系列模型，对行业最大吸引力是什么？

2025-05-17

私有部署大模型需要多少显存？

2025-05-14

软件公司如何为AI的下半场做准备？

2025-05-10

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB