阿里的Ma等人于2018年在論文《EntireSpaceMultiTaskModel:AnEffectiveApproachforEstimatingPostClickConversionRate》中提出了ESMM模型，用于建模電商推薦系統(tǒng)中點(diǎn)擊后轉(zhuǎn)化率的預(yù)估問題，同時有效緩解了樣本選擇偏差和數(shù)據(jù)稀疏問題。本文將從ESMM模型提出的背景、問題建模、模型原理及損失函數(shù)涉及方面進(jìn)行詳細(xì)的闡述。1.ESMM模型背景（1）在電商推薦系統(tǒng)中，用戶的行為一般遵循“曝光點(diǎn)擊轉(zhuǎn)化”的順序，ESSM主要用于建模點(diǎn)擊...

Transformer模型的時間復(fù)雜度主要由其核心模塊自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)決定，其中自注意力機(jī)制的計(jì)算復(fù)雜度占主導(dǎo)地位。本文將從單個矩陣乘法的時間復(fù)雜度計(jì)算出發(fā)，分析自注意力機(jī)制、多頭注意力機(jī)制、前饋神經(jīng)網(wǎng)絡(luò)的時間復(fù)雜度，從而得到整個Transformer模型的時間復(fù)雜度，并說明優(yōu)化方法。1.單個矩陣乘法的時間復(fù)雜度2.自注意力機(jī)制的時間復(fù)雜度3.多頭自注意力機(jī)制的時間復(fù)雜度4.前饋神經(jīng)網(wǎng)絡(luò)的時間復(fù)雜度5.Transformer模...

位置編碼（PostitionalEncoding）是Transformer架構(gòu)中的關(guān)鍵技術(shù)之一。不同于卷積神經(jīng)網(wǎng)絡(luò)利用局部感受野、共享權(quán)重和池化操作等機(jī)制，可以自然地感受輸入數(shù)據(jù)的空間位置信息，也不同于循環(huán)神經(jīng)網(wǎng)絡(luò)憑借循環(huán)結(jié)構(gòu)和隱藏狀態(tài)的記憶與更新機(jī)制，能夠隱式地捕捉輸入序列中的時間順序信息，Tranformer架構(gòu)并未顯式地建模輸入序列中的絕對或相對位置信息，故需通過位置編碼技術(shù)顯式地注入位置信息，以使模型能更好地理解序列中不同位...

快手的Chang等人于2023年在論文《PEPNet:ParameterandEmbeddingPersonalizedNetworkforInfusingwithPersonalizedPriorInformation》中正式提出了PEPNet模型，用于建模推薦系統(tǒng)中的多任務(wù)多領(lǐng)域問題。本文將從PEPNet模型提出的動機(jī)、問題建模、模型結(jié)構(gòu)及工程優(yōu)化策略方面進(jìn)行詳細(xì)的闡述。1.PEPNet模型的提出動機(jī)（1）多任務(wù)學(xué)習(xí)：出發(fā)點(diǎn)是不同的任務(wù)之間存在稀疏性和依賴性。但由于不同任務(wù)具有獨(dú)特的稀疏性和相互影響，很難在...

MMOE模型由谷歌研究團(tuán)隊(duì)于2018年在論文《ModelingTaskRelationshipsinMultitaskLearningwithMultigateMixtureofExperts》中提出，是一種新穎的多任務(wù)學(xué)習(xí)框架，廣泛應(yīng)用于推薦系統(tǒng)中。本文從技術(shù)背景、演化過程、計(jì)算原理、關(guān)鍵問題解析以及基于PyTorch的代碼實(shí)現(xiàn)方面對MMoE架構(gòu)進(jìn)行深入探究。1.技術(shù)背景（1）多任務(wù)學(xué)習(xí)的本質(zhì)是共享表示以及相關(guān)任務(wù)的相互影響，多任務(wù)學(xué)習(xí)模型并不總是在所有任務(wù)上都優(yōu)于相應(yīng)的單任務(wù)模型。（...

圖1DeepSeekV2&DeepSeekV3基本架構(gòu)。DeepSeekMoE架構(gòu)的提出源于DeepSeek發(fā)表的論文《DeepSeekMoE:TowardsUltimateExpertSpecializationinMixtureofExpertsLanguageModels》，在DeepSeekV2、V3及R1中得到了更好的應(yīng)用。1.DeepSeekMoE關(guān)鍵技術(shù)（1）DeepSeekMoE架構(gòu)有兩個關(guān)鍵思想：細(xì)粒度專家劃分和共享專家隔離。細(xì)粒度專家細(xì)分以實(shí)現(xiàn)更高的專家專業(yè)化程度和更準(zhǔn)確的知識獲取，共享專家隔離以減少專家之間的知識冗余。圖2DeepSee...

?DeepSeek的基本架構(gòu)仍然在Transformer框架內(nèi)，每個Transformer模塊由一個注意力模塊和一個前饋網(wǎng)絡(luò)組成。為實(shí)現(xiàn)更高效的推理和更經(jīng)濟(jì)的訓(xùn)練，在注意力和前饋網(wǎng)絡(luò)部分，設(shè)計(jì)并使用了創(chuàng)新的MLA（MultiHeadLatentAttention）和DeepSeekMoE架構(gòu)。本文將從MLA的提出背景、技術(shù)原理、解耦RoPE策略及MHA與MLA的緩存對比方面進(jìn)行詳細(xì)闡述。MLA是對多頭自注意力機(jī)制（MHA）的改進(jìn)，其核心是對鍵（Keys）和值（Values）進(jìn)行低秩聯(lián)合壓縮...