17 天前 / Thinkgamer
点击标题下「搜索与推荐 Wiki」可快速关注▼相关推荐▼1、腾讯 2020 广告大赛冠军解决方案带来的思考 2、结合论文看 Youtube 推荐系统中召回和排序的演进之路 3、深度学习 Keras 中的 Embedding 层的理解与使用 为什么要先介绍标签体系？ 一个推荐系统效果好与坏最基本的保障、最基础的是什么？如果让我来回答，一定是标签体系。 我这里说的标签主要是针对物料的，对于电商平台来说就是商品；对于音乐平台来说就是每一个首歌，对于新闻资讯平台来说就是每一条新闻。
22 天前 / Thinkgamer
点击标题下「搜索与推荐 Wiki」可快速关注▼相关推荐▼1、强化学习介绍与马尔可夫决策过程的详细推导 2、结合论文看 Youtube 推荐系统中召回和排序的演进之路（上）篇 3、值得收藏｜2020 年度文章汇总，不容错过的精彩 上一篇主要介绍的是 Youtube 发表的三篇论文，但主要集中在机器学习方向，接下来会用几篇论文说明一下 Youtube 在深度学习推荐系统方向做的工作。 在介绍 Youtube 的 DNN 之前，先介绍一篇 Google 的非常经典的深度学习推荐算法 Wide & Deep，虽然 Youtube 也属于 Google，这里之所以先介绍 Wide & Deep...
29 天前 / 飘移1族
基于内容的召回在推荐系统中是比较常见的召回策略，常见有基于用户或物品的标签召回或者基于用户的年龄，地域等召回，一般该策略的实现是基于开源软件 Elasticseach 实现的。虽然召回的结果都比较合理，但是召回的新颖度，惊喜度等都比较低。比如通过标签“刘德华”进行召回，基本上召回的都是包含刘德华字眼的物品，不太可能召回出“黎明”，“张学友”等其他四大天王的物品。近年随着万物皆可 Embedding，特别是 word2vec，item2vec, graph2vec 等技术的成功应用，通过物品向量召回物品向量的方法也成为推荐系统中比较常用的召回策略。
43 天前 / Thinkgamer
点击标题下「搜索与推荐 Wiki」可快速关注▼相关推荐▼1、深度学习 Keras 中的 Embedding 层的理解与使用 2、和过去的自己和 2020 好好道个别吧 3、值得收藏｜2020 年度文章汇总，不容错过的精彩 本文涉及的论文如下： 【2008 年】Video Suggestion and Discovery for YouTube: Taking Random Walks Through the View Graph【RecSys 2010】The YouTube Video Recommendation System【ICML 2013】Label Partitioning For Sublinear Ranking 内容主要介绍 Youtube 在机器学习方面的探索和尝试！后续会更新 Youtube 在深度学习和强化学习方向的几篇论文解读...
104 天前 / Thinkgamer
▼往期精彩回顾▼多角度审视推荐系统 Embedding 技术在推荐系统中的应用 特征工程｜文本特征处理的四大类主流方法编辑：子墨 来源：《深度学习推荐系统》笔记，并进行补充和说明 推荐系统覆盖于生活中的各个方面，无论是电商购物，还是内容咨询，都离不开它的身影，作为一名推荐算法从业者，深知做好推荐系统的必要性，那么做好推荐系统的评估就显得至关重要了，其主要体现在： 推荐系统评估所采用的指标直接决定了推荐系统的优化方向是否客观合理推荐系统评估是机器学习团队与其他团队沟通合作的接口性工作推荐系统评估指标的选取直接选定了推荐系统是否符...
106 天前 / Thinkgamer
点击标题下「搜索与推荐 Wiki」可快速关注 精彩推荐▼1、Embedding 技术在推荐系统中的应用 2、基于 DNN 的推荐算法介绍 3、搜索和推荐系统中的深度匹配模型 4、CIKM2020 最新推荐算法论文 编辑：子墨为客 来源：《深度学习推荐系统》笔记，并进行补充和说明推荐系统中的特征工程 特征的本质其实是对某个行为过程相关信息的抽象表达。 推荐系统中的常用特征： 1、用户行为数据 包括显性反馈数据（explicit feedback）和隐形反馈数据（implicit feedback）。
117 天前 / Thinkgamer
“自费送书《深度学习推荐系统》一本，说出你对推荐系统中 Embedding 的认识、应用场景说明等，对于不敷衍的留言，点赞的第一名可免费获取该书。 编辑：子墨为客 来源：《深度学习推荐系统》笔记，并进行补充和说明 1、Embedding 是什么 Embedding 是用一个低维稠密的向量来“表示”一个对象（这里的对象泛指一切可推荐的事物，比如商品、电影、音乐、新闻等），同时表示一词意味着 Embedding 能够表达相应对象的某些特征，同时向量之间的距离也能够反应对象之间的相似性。
154 天前 / 钟子敬07
做广告业务 1 年多时间了，但是平时的工作主要和广告工程有关，核心的广告算法由 AI 部门支持，对我们而言可以说是「黑盒般」的存在，只需要对训练好的模型进行调用即可。近期，我打算系统性地学习下广告中的搜索和推荐算法，当然更多是从工程的视角去弄清楚：算法的基本原理、以及面对线上海量数据时算法是如何解决性能问题的？整个过程，我会将有价值的技术点输出成系列文章。 这篇文章属于推荐系统的入门篇，本文暂不考虑线上环境的海量数据，目的是先了解清楚推荐系统的基本构成，我会通过图解推荐算法以及程序 demo 的形式展开...
159 天前 / Thinkgamer
点击标题下「搜索与推荐 Wiki」可快速关注▼精彩推荐▼1、最差的算法工程师也不过如此了 2、算法工程师的数学基础｜如何理解概率分布函数和概率密度函数 3、特征工程｜连续特征的常见处理方式（含实例） 4、论文｜从 DSSM 语义匹配到 Google 的双塔深度模型召回和广告场景中的双塔模型思考导读："计算广告与推荐系统有哪些区别？"、"目前各公司广告算法使用的主流模型有哪些？"，又到了小编逛知乎的日子 ^_^，今天为大家带来 2 条来自知乎大佬王喆和付鹏老师的解答...
180 天前 / openio
本文基于 ECML-PKDD-2020 论文《Social Influence Attentive Neural Network for Friend-Enhanced Recommendation》，论文作者是北京邮电大学、腾讯微信、新加坡管理大学的陆元福、谢若冰、石川、方元、王伟、张旭和林乐宇。 导读随着在线社交网络的兴起，许多社交应用程序中出现了一种新的基于社交的推荐方式，微信看一看推荐系统中的朋友在看就是其代表应用之一。在本文中，我们将微信看一看的朋友在看推荐称为“好友增强型推荐（Friend-Enhanced Recommendation，FER）”。
181 天前 / figo
本文是我探索学术界和行业推荐系统的系列文章的一部分。 介绍 近年来，基于深度学习的推荐系统的研究出版物数量呈指数增长。特别是，领先的国际推荐系统会议 RecSys 自 2016 年以来就开始定期组织深度学习研讨会。例如，在 RECSYS 会议上，有一整类关于深度学习的论文，促进研究并鼓励此类方法的应用。本文主要讨论深度推荐模型的优势，劣势和应用场景，并对当前的进展进行了很好的回顾。 10 种深度学习推荐技术如下： 1>基于多层感知器的推荐 2>基于自动编码器的推荐 3>基于卷积神经网络的推荐 4>基于递归神经网络的推荐 5>基于受限玻尔兹曼机器的推荐 6>...
181 天前 / reesunhuang
分享嘉宾：陈迪豪第四范式架构师 编辑整理：刘璐 出品平台：第四范式天枢、DataFunTalk 导读：特征工程在推荐系统中有着举足轻重的作用，大规模特征工程处理的效率极大的影响了推荐系统线上的性能。第四范式作为国际领先的机器学习和人工智能技术与平台服务提供商，面向大规模特征工程问题开发了下一代离线在线一致性特征抽取引擎 FESQL，针对 AI 场景支持 SQL 接口，兼容 Spark 3.0 同时提供高性能的 Native 执行引擎。
194 天前 / openio
作者：sauronzhang、flashlin、fengshanliu，微信后台开发工程师 1. 背景 在一些推荐系统、图片检索、文章去重等场景中，对基于特征数据进行 k 近邻检索有着广泛的需求： 支持亿级索引的检索，同时要求非常高的检索性能； 支持索引的批量实时更新； 支持多模型、多版本以灵活开展 ABTest 实验； 支持过滤器、过期删除以排除不符合特定条件的数据。 在经过调研后，发现已有的解决方案存在以下问题： 在学术界中，已经存在有成熟并开源的 ANN 搜索库，然而这些搜索库仅仅是作为单机引擎存在...
223 天前 / Thinkgamer
特征设计是整个特征工程中最消耗时间的一步，但其却也是十分重要的一步。不同领域的特征在设计上也会有所区别（当然也存在相同的地方），这时候需要结合领域知识进行思考和总结，制定适合自己业务的特征，然后可以进行相关的特征可用性评估，决定开发哪些基础的特征。 业务理解在具体实践中，我们使用的特征通常分为四大维度： 用户维度特征事物维度特征类别维度特征组合属性特征对于用户维度的特征，其可以划分为： 客观属性：即事物本身的属性，不因人的看法而改变主观属性：和客观属性相对...
229 天前 / -江边城外-
首页下载 APP 推荐系统经典算法之协同过滤_江边城外_关注赞赏支持推荐系统经典算法之协同过滤讲推荐算法，就不得不提协同过滤，协同过滤是推荐系统中比较经典的推荐算法之一，我们常用的协同过滤算法共有两种，既 基于物品的协同过滤、基于用户的协同过滤；它们的效果由训练模型的数据特征选取、训练过程中的算法调优以及之后的应用场景共同决定；另外算法很难做到一招鲜吃遍天，想通过单一算法解决所有用户场景是不可能的。