11 小时前 / AggrxTech
1. 前言 推荐算法是为了解决“信息过载和用户无明确要求的情况下，如何帮助用户找到感兴趣的物品”，而推荐算法需要一个持续优化的过程才能达到理想的一个效果，在优化过程中，如何衡量效果的好与坏，就需要引入 AB 实验 2. AB 实验架构 AB 引擎 主要负责分流，实验配置和算法参数配置 推荐引擎 根据不同的参数进行相应的算法和数据调整 实验分析 根据数据上报，对实验数据进行存储和分析，并展示实验效果 本文主要介绍 AB 引擎部分 3.实验引擎 3.1 实验分组 AB 实验中一般会分 2 个及以上个实验组，其中一个作为对照组...
35 天前 / Thinkgamer
本文主要介绍一个搜索和推荐中常用的一个评估指标：。 （Normalized Discounted Cumulative Gain）直接翻译为归一化折损累计增益，这个指标通常是用来衡量和评价排序的准确性，比如：推荐系统通常为某用户返回一个 item 列表，假设列表长度为 ，这时可以用 评价该排序列表与用户真实交互列表的差距。 的两个思想： 1、高关联度的结果比一般关联度的结果更影响最终的指标得分（高相关性的物比低相关性的物品更有用，低相关性的物品比不相关的物品更有用）2、有高关联度的结果出现在更靠前的位置的时候，指标会越高（理想情况下...
42 天前 / 数据虫巢
作者·黄崇远 『数据虫巢』 全文共 3600 字 题图 ssyer.com “从推荐系统的演化过程中洞见计算广告的核心要素，但两者又存在着本质的差异，这也是计算广告自身差异的源点。” 我们在第 2 章开篇时有提到过，从第 2 章开始，我们的重心将从广告主与广告平台的博弈关系转移到广告与用户的匹配维度上，分析和探索用户和广告如何进行精准匹配，并且从技术和数据算法的角度来观测这一过程，以及技术、数据、算法是如何推进整个计算广告往前发展和衍化的。
54 天前 / 数据虫巢
作者·黄崇远 『数据虫巢』 全文共 2821 字 题图 ssyer.com “推荐系统看着是一个偏技术的问题，但实际上少不了产品逻辑的赋能，很多时候产品逻辑能起到的是四两拨千斤的作用。” 在很多时候，我们都是以技术的视角去观测推荐系统，从推荐的算法逻辑到推荐系统的技术架构逻辑，并且从技术视角基本上已经成为了推荐系统问题讨论和演化的一个“标准”做法了。 推荐系统这种看似偏重于底层策略算法逻辑的产品形态，直接影响的更多是底层逻辑，甚至更透彻一点说是算法策略逻辑，但推荐这种产品形态是非常贴近于用户端的...
63 天前 / Thinkgamer
转载：http://www.woshipm.com/pmd/1916927.html 编辑：搜索与推荐 Wiki 说明：在原文的基础上结合自己的电商从业经验进行介绍，点击文末【阅读原文】直达出处 推荐系统最成功的落地场景莫过于电商平台，比如淘宝、京东、拼多多、团好货等，其内部都有一个到多个推荐团队针对各自业务内不同场景的推荐进行挖掘和开发，继而更好的为用户服务和创造更大价值的 GMV。一般来讲，推荐系统的核心考核指标基本可以划分为三大类：流量类、转化率类和 GMV 类。
73 天前 / 数据虫巢
作者·黄崇远 『数据虫巢』 全文共 4520 字 题图 ssyer.com “所有的技术架构并不是一蹴而就的，都是在需求迭代中逐步的探索，并且不断的适应业务的发展，才逐步发展成最终我们所看到的样子。” 模型只是其中一环，在高速发展的这几年，各个场景，各个层面的模型探索可谓到了极致，所以有迹可循，有很多可以参考的方式方法，建模套路，横向以及纵向的模型选型，结合自身业务特点，对于样本、特征，或者目标的确定去做决定。
89 天前 / 数据虫巢
作者·黄崇远 『数据虫巢』 全文共 4534 字 题图 ssyer.com “没点独特的东西，怎么好意思说自己在炼仙丹。” 本文强接上文《数据与广告系列二十六：知识迁移的 Embedding 应用，智能化定向的解药》，你可以认为是上篇的姐姐篇，你也可以认为上篇给了智能定向的“骨骼”，而这篇是丰其“血肉”，更是灵魂拷问，精髓所在。 所以，如果你对上文不清楚，或者当前场景不甚清楚，强烈推荐先翻一翻上文，甚至是整个系列，反正篇篇都是老夫的心血之作，看了岂不是赚大了。
96 天前 / Thinkgamer
说明：文章内容仅供学习使用，如有侵权请联系删除编辑：搜索与推荐 Wiki 参考：1. 谷歌开源推荐系统库 (TensorFlow Recommenders) 2. 中文视频 | TF Recommenders 系列视频教程 TensorFlow RecommendersTensorFlow 推荐器是一个使用 TensorFlow 构建推荐系统模型的库。它有助于构建推荐系统的全部工作流程：数据准备、模型制定、训练、评估和部署。它构建在 Keras 上，目标是让学习者有一个平缓的学习曲线，同时仍然给你构建复杂模型的灵活性。
102 天前 / Thinkgamer
↑↑↑关注后"星标"搜索与推荐 Wiki 推荐干货 作者：张俊林新浪微博 AI Lab 负责人 《推荐系统技术演进趋势》从召回篇、排序篇、重排篇依次更新，本文为重排篇。错过《推荐系统技术演进趋势：召回篇》和《推荐系统技术演进趋势：排序篇》的小伙伴可以点击链接跳转阅读。 背景 推荐系统技术，总体而言，与 NLP 和图像领域比，发展速度不算太快。不过最近两年，由于深度学习等一些新技术的引入，总体还是表现出了一些比较明显的技术发展趋势。这篇文章试图从推荐系统几个环节，以及不同的技术角度，来对目前推荐技术的比较彰显的技术趋势做个归纳。
107 天前 / hyper0x
简介在诸多数据处理的问题中，存在着一类特殊的特征 -- 多值特征，该类特征常见的情形有： 论文的关键字描述信息；商品信息的描述；网站关键词；其它情况；那么关于这些多值特征，该如何处理，都有哪些常见操作呢？本文我们介绍多值特征的 8 大处理技能，希望对大家有所启发和帮助。 CountLabelEncoderMulti One-HotCounterVectorTfidfVectorizerWord2Vec 基础 Multi-Value Embedding 加权 Multi-Value Embedding 多值特征的处理此处我们介绍几种最为常见的多值特征的处理技巧。 01 Count 即计算多值特征中有多少个值。
119 天前 / u312562
不知道你们意识到没有，我们生活在一个 算法入侵人类的时代 此时此刻，算法正在监视着你。她们监视你去哪里、买了什么、遇见了谁，包括你的每一次呼吸、每一次心跳。 算法通过大数据和机器学习来更好地了解你。算法一旦比你更了解你自己，她们就能控制和操纵你，而你将对此无能为力。 刷头条、抖音，逛淘宝，时时刻刻都有推荐系统的参与，猜一猜你喜好，给你推荐可能购买的商品。推荐系统，就是这么一种算法，不断地给你推荐相似的东西。个性化推荐是诸多内容网站和应用的关键技术，可以减轻用户信息过载、提升内容的点击率。
122 天前 / 数据虫巢
作者·黄崇远 『数据虫巢』 全文共 4966 字 题图 ssyer.com “虽然我一向警惕被推荐系统带着走，但我也讨厌低效。” 这是一个带着故事背景的技术话题，轻松愉快但又不乏对于技术深度的思考。 01 故事背景 作为一个拥有二娃的三十多岁中年老男人，岁月早已磨光了我对游戏的激情，想当年我也是天梯 1800 分的选手，DOTA 玩的老溜了。 但岁月无情，残废了我的手，消退了我的意志，竟然沦落到简单 AI 电脑都打不过了，所以，偶尔的闲暇时光，看看电影竟成了我唯一的娱乐消遣方式。 但是。
144 天前 / jifei
文章作者：季飞 蜻蜓 FM 推荐技术负责人 内容来源：作者授权 出品平台：DataFunTalk 导读：如今的推荐系统在互联网中随处可见，无论是刷抖音、逛淘宝还是看新闻背后都有强大的推荐系统的支持。音频行业的内容如何分发？如何提高用户发现音频内容的效率？蜻蜓 FM 作为国内首家互联网音频媒体平台，在音频行业深耕了 10 年，对此也有一些沉淀和经验想要和大家分享。 主要内容包括： 蜻蜓首页场景怎样从人工运营演进到个性化推荐 蜻蜓信息流推荐由哪些算法组成...
145 天前 / u312562
上一篇：《ACI，一种全新的人工智能艺术与时尚创意视角》 推荐系统近年来被应用于各行各业，非常流行。推荐的对象包括：电影、短视频、音乐、新闻、书籍、学术论文、搜索查询。从让你掏空钱包还透支花呗的某宝，到让你刷到无法自拔的某音，眼看着“520 节（ying）日（xiao）” 刚过，“618” 又开始提前预热了。 钱包一次次被掏空，如今的软件是怎么做到越来越 “懂” 用户的呢？软件背后极强大的推荐系统，究竟又是怎么做到的？ 推荐系统是什么？ 推荐系统是指一种信息过滤系统，用于预测用户对物品的 “评分” 或 “偏好”。
158 天前 / Thinkgamer
迁移学习（Transfer Learning）作为机器学习的一大分支，已经取得了长足的进步。在人工智能领域，无论是图像识别、NLP、搜索推荐都离不开迁移学习的身影。迁移学习的核心问题是找到源域和目标域的某种相似性，继而将已知的知识应用到目标域中。 迁移学习的一个核心要解决的问题是冷启动、数据稀疏性，当然其前提是同一个公司有不同的业务或者 APP 数据可以供不同部门进行使用和挖掘，比如阿里、腾讯、美团等，业务模型丰富，可以进行相应的迁移学习。 当迁移学习应用到推荐系统中时就被称为跨域推荐（Cross-Domain Recommendation）。