ترجمه فارسی مقاله HMDN: شبکه توزیع چندگانه سلسله مراتبی برای پیش‌بینی نرخ کلیک

چکیده

As the recommendation service needs to address increasingly diverse distributions, such as multi-population, multi-scenario, multitarget, and multi-interest, more and more recent works have focused on multi-distribution modeling and achieved great progress. However, most of them only consider modeling in a single multi-distribution manner, ignoring that mixed multi-distributions often coexist and form hierarchical relationships. To address these challenges, we propose a flexible modeling paradigm, named Hierarchical Multi-Distribution Network (HMDN), which efficiently models these hierarchical relationships and can seamlessly integrate with existing multi-distribution methods, such as Mixture of-Experts (MoE) and Dynamic-Weight (DW) models. Specifically, we first design a hierarchical multi-distribution representation refinement module, employing a multi-level residual quantization to obtain fine-grained hierarchical representation. Then, the refined hierarchical representation is integrated into the existing single multi-distribution models, seamlessly expanding them into mixed multi-distribution models. Experimental results on both public and industrial datasets validate the effectiveness and flexibility of HMDN.

چکیده به فارسی (ترجمه ماشینی)

از آنجا که سرویس توصیه باید به توزیع های فزاینده متنوع ، مانند چند جمعیت ، چند منظوره ، چند منظوره و چند نفری ، بیشتر و بیشتر آثار جدید بر روی مدل سازی چند قطعی متمرکز شده و به پیشرفت بزرگی برسد.با این حال ، بسیاری از آنها فقط مدل سازی را به صورت چند قطعی واحد در نظر می گیرند ، و نادیده می گیرند که چند توزیع مختلط اغلب همزیستی می کنند و روابط سلسله مراتبی را تشکیل می دهند.برای پرداختن به این چالش ها ، ما یک الگوی مدل سازی انعطاف پذیر ، به نام شبکه چند توزیع سلسله مراتبی (HMDN) را پیشنهاد می کنیم ، که به طور کارآمد این روابط سلسله مراتبی را مدل می کند و می تواند یکپارچه با روشهای چند قطعی موجود ، مانند مخلوط انسانهای (MOE) و پویا ادغام شود.مدل های وزن (DW).به طور خاص ، ما ابتدا یک ماژول پالایش بازنمایی چند قطعی سلسله مراتبی را طراحی می کنیم ، و از یک کمیت باقیمانده چند سطحی برای به دست آوردن بازنمایی سلسله مراتبی ریز دانه استفاده می کنیم.سپس ، بازنمایی سلسله مراتبی تصفیه شده در مدلهای چند توزیع چند قطعی موجود ادغام می شود و آنها را به طور یکپارچه در مدلهای چند قطعی مختلط گسترش می دهد.نتایج تجربی در هر دو مجموعه داده های عمومی و صنعتی ، اثربخشی و انعطاف پذیری HMDN را تأیید می کند.