煉丹筆記在8月8日更新了第一篇文章《2020年推薦系統工程師煉丹手冊》之后，開啟了在推薦領域偉大航路的征程。在偉大航路的前半段，我們公眾號主要做三件事情，學術界推薦算法研究解讀、工業界推薦算法方案實戰、數據競賽深度煉丹技巧。

我們是誰？

我們是來自國內知名互聯網公司的資深/非資深煉丹師，目前核心成員：一元;九羽;十方以及兩位特邀嘉競賽大神杰少和前阿里算法美女苘郁蓁, 還有一起寫作的時晴， 在幾年深度推薦算法工作的歷練之后，對深度學習推薦算法有了自己的體會與領悟。同時，在與同行交流的過程中，我們彼此得到了更好的提升。因此，作為一群志同道合的推薦算法工程師、數據科學家，我們希望通過自己的力量去為這個領域做些事情，也為算法愛好者們提供一個交流學習的平臺。

我們公眾號關注什么呢？

1. 學術界推薦算法研究解讀

我們聚焦推薦領域最新研究成果，通過“問題背景、核心創新點、論文效果”等方面去解讀作者的設計思路，同時可以給予我們的啟發。問題背景：在什么推薦場景下解決什么類型的推薦問題。核心創新點：最具有獨創性和新穎性的技術點是什么，每個技術點在解決什么問題。論文效果：在這個場景下，通過該創新的方法可以達到怎么樣的效果，并嘗試從中找出對于業務最好的工作。例如：

A.搜索推薦中CTR/CVR多任務學習相關的案例

1.推薦系統多任務學習上分神技！(NMTR,ICDE19)

2. 多任務學習如何做到你好我也好？(PLE,RecSys20)

3. 如何讓你的推薦系統具有可解釋性？(WWW19)

4.協同過濾算法效果不佳怎么辦？知識圖譜來幫忙啦(MKR,WWW19)

5.我為什么喜歡它？帶有解釋的推薦系統第二彈(MT,RecSys18)

6.DNN中多任務學習概述(ArXiv17)

7. 多目標學習在推薦系統中的應用(匯總,轉載,公眾號)

B. 神經網絡特征交叉的相關工作案例

1. AoAFFM:Attention+FFM強強組合(AoAFFM,AAAI20)

2.騰訊賽霸榜神技ONN_NFFM(ONN/NFFM,ArXiv18)

3.曾今的CTR競賽王者NFM(NFM,SIGIR17)

4.神級特征交叉, 基于張量的多語義交叉網絡TFNET！(TFNET,SIGIR20)

5. 效果遠超FM,CF最新利器HFM！(HFM,AAAI19)

6. xDeepFM:CTR預估之特征交叉的藝術(xDeepFM,KDD18)

7.CTR神經網絡特征交叉匯總！

8.CTR預估系列煉丹入門手冊

9.讀了那么多CTR論文, 真正有效的又有幾個呢？(ArXiv20)

C. 神經網絡序列化的相關工作

1. 昨天得知她剛買了手機,今天她會愛上這款新耳機嗎？(SASRec,ICDM18)

2. 5分鐘讀完史上第一篇二維卷積序列推薦的論文(CosRec,CIKM19)

3. 又是一篇猛貨！(DMIN,CIKM20)

4. 終于有內味了......(DMT,CIKM20)

5. 序列推薦的一些秘密_HGN(HGN,KDD19)

6. 序列化推薦系統的挑戰,進展和展望!(IJCAI,2019)

2. 工業界推薦算法方案實戰

我們分享工作中遇到過的實際問題及相應的解決方案，例如推薦線上線下一致性問題、工業界算法效果評估問題等。同時我們也將身邊的業務知識做基礎布道，講述電商搜索推薦領域的業務詞匯等。我們致力于將自己的經驗知識沉淀，并與大家分享。

案例

1. 是不是你的模型又線下線上不一致啦？(KDD20)

2. 讀了那么多CTR論文, 真正有效的又有幾個呢？(FuXiCTR,ArXiv20)

3. 好想哭,我居然輸在了內存問題上！(KDD20)

4. MF vs MLP：講述科學調參在推薦模型中的意義(ArXiv)

3. 數據競賽屆深度煉丹技巧

1.CIKM 2019 EComm AI用戶行為預測大賽三大方案解讀

2.CIKM EComm AI用戶行為預測大賽冠軍方案解讀

3. RecSys2020推薦系統特征工程匯總

4. RecSys2020大賽第一名方案

4. 算法大佬們的經驗分享

不時我們會邀請周邊的大佬談談對于煉丹算法工程師的一些心路歷程，職場感受，對新人的建議，還有其他的一些心得，如果你對于這塊比較迷茫也歡迎聯系我們哦。

經典案例

1. 我的成長之路：追逐冠軍的男孩

2. 是的，我從阿里離職了。

3. 原創 | 五年前的轉正我沒有留下，校招進不了大公司就是失敗嗎？

總結

以上是生活随笔為你收集整理的炼丹笔记 | 讲讲我们的故事的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。