天池新闻推荐

目标: 为不同用户（测试为5万）分别推荐top5的新闻文章（总数36万）

标签：不同用户在不同时间的点击新闻

特征：

整体框架也是：多路召回+排序

召回

# 定义一个多路召回的字典，将各路召回的结果都保存在这个字典当中
user_multi_recall_dict =  {'itemcf_sim_itemcf_recall': {},
                           'embedding_sim_item_recall': {},
                           'youtubednn_recall': {},
                           'youtubednn_usercf_recall': {}, 
                           'cold_start_recall': {}}

1. 基于itemcf计算的item之间的相似度sim进行的召回

2. 基于embedding搜索得到的item之间的相似度进行的召回

3. YoutubeDNN召回
4. YoutubeDNN得到的user之间的相似度进行的召回
5. 基于冷启动策略的召回

排序

排序

1. LGB的排序模型
2. LGB的分类模型
3. 深度学习的分类模型DIN

模型集成

1. 输出结果加权融合
2. Staking

参考

https://tianchi.aliyun.com/notebook-ai/detail