24 小时前 / Thinkgamer
“个性化推荐是数据挖掘（Data Mining）中的一个目的明确的应用场景，所以，可以利用数据挖掘技术为推荐系统做一些基本工作，如了解数据、异常值处理、对用户群进行分类、对物品的价格进行聚类、构建用户的价格段偏好等，从而让推荐系统能够“千人千面”。本篇文章主要介绍一下常见的数据挖掘算法应用案例。 ”《推荐系统开发实战》欢迎关注！ 数据预处理数据预处理（Data Preprocessing）是指：在使用数据进行建模或分析之前，对其进行一定的处理。真实环境中产生的数据往往都是不完整、不一致的“脏数据”，无法直接用来建模或进行数据分......
24 小时前 / 神策数据
本文内容来自神策数据《智能推荐——应用场景与技术难点剖析》闭门会分享内容整理，分享者为神策数据算法专家胡士文，分享主题为《推荐系统的实践与思考》，前面我们介绍了算法和数据部分（PPT 下载 | 神策数据算法专家：推荐系统的实践与思考（上）），本篇文章将继续介绍推荐系统的在线服务和评估方法。 推荐系统之在线服务 在解决了算法和数据层面的问题之后，我们需要构建一个推荐系统的在线服务，用来响应用户的推荐请求。假设企业初期的 DAU 是 10 万，当 DAU 涨到一百万的时候，希望能够通过增加机器的形式，解决服务性能响应的问题......
2 天前 / Thinkgamer
“推荐系统在我们的生活中无处不在，比如购物网站，视频音乐网站，新闻网站等，那么推荐系统是如何工作的，他是基于什么方式实现的？可以在《推荐系统开发实战》这本书中进行系统的了解和学习，本篇文章是该系列文章的开篇之作，带领大家认识一下基于最近相似用户的推荐。以下内容摘自于《推荐系统开发实战》 ”《推荐系统开发实战》欢迎关注！ 嗨，Susan，最近有什么好看的电影吗？ Thinkgamer，我觉得《芳华》不错，推荐你可以去看下。 这样的场景相信我们会经常遇到，当我们不知道要看哪部电影时，会咨询一下身边的朋友，从他们那......
31 天前 / hyper0x
文章作者：姚凯飞Club Factory 编辑整理：Hoh Xil 内容来源：作者授权发布 出品社区：DataFun 注：欢迎转载，转载请注明出处 什么是好的推荐系统？佛陀没有定义过，人类也没有定义过。但一个系统的好坏往往需要全链路的评定，贯穿于用户的整个交互过程。之所以说好的推荐系统更难定义，是因为虽然算法是核心，但是个性化推荐往往不止由算法构成，这背后需要各种技术支撑。它是算法和各种技术架构以及交互设计等等，混合在一起的产物。所以，我们很难有一个推荐系统好不好的绝对值，只能在有参照物的情况下，选取某些常见指标然后有一个相......
34 天前 / gongyouliu
点击上方“大数据与人工智能”，“星标或置顶公众号” 第一时间获取好内容 作者丨gongyouliu 这是作者的第11篇文章，约1.2W字，阅读需60min 作者在《推荐系统的工程实现》（点击蓝字可回顾）这篇文章的第五部分“推荐系统范式”中讲到工业级推荐系统有非个性化范式、完全个性化范式、群组个性化范式、标的物关联标的物范式、笛卡尔积范式等5种常用的推荐范式。本文会按照这5大范式来讲解常用的推荐算法，但不会深入讲解算法的实现原理，只是概述算法的实现思路，后面的系列文章我会对常用的重点算法进行细致深入剖析。 本文会从......
35 天前 / mr7
导语：本系列文章一共有三篇，分别是 《科普篇 |推荐系统之矩阵分解模型》 《原理篇 |推荐系统之矩阵分解模型》 《实践篇 |推荐系统之矩阵分解模型》 第一篇用一个具体的例子介绍了MF是如何做推荐的。第二篇讲的是MF的数学原理，包括MF模型的目标函数和求解公式的推导等。第三篇回归现实，讲述MF算法在图文推荐中的应用实践。下文是第三篇——《实践篇 |推荐系统之矩阵分解模型》，敬请阅读。 本文是MF系列文章中的最后一篇，主要讲的是MF算法在图文推荐中的应用实践。无论是在召回层还是精排层，MF都有发挥作用。在召回层......
38 天前 / mr7
导语：本系列文章一共有三篇，分别是 《科普篇 |推荐系统之矩阵分解模型》 《原理篇 |推荐系统之矩阵分解模型》 《实践篇 |推荐系统之矩阵分解模型》 第一篇用一个具体的例子介绍了MF是如何做推荐的。第二篇讲的是MF的数学原理，包括MF模型的目标函数和求解公式的推导等。第三篇回归现实，讲述MF算法在图文推荐中的应用实践（将于后续发布）。下文是第二篇——《原理篇 | 推荐系统之矩阵分解模型》，敬请阅读。 上一篇我们用一个简单的例子讲述了矩阵分解(Matrix Factorization, MF)是如何做推荐的，但没有深入到算法......
46 天前 / gongyouliu
点击上方“大数据与人工智能”，“星标或置顶公众号” 第一时间获取好内容 作者丨gongyouliu 这是作者的第10篇文章，约1W字，阅读需50min 推荐系统的目标是为用户推荐可能会感兴趣的标的物。通过算法推荐达到节省用户时间、提升用户满意度、为公司创造更多的商业价值的目的。 要想达到这个目的就需要让用户信任你的推荐系统，只有信任了，用户才会经常使用推荐系统。 那么我们怎样做到让用户信任呢？ 一种比较好的方法是为用户推荐标的物的同时给用户提供推荐的理由，向用户解释清楚是基于什么原因给他推荐的。 ......
48 天前 / 数据虫巢
作者|黄崇远（题图：pixabay.com，CCO协议） 01 接上篇文章《数据与广告系列六：一图读懂在线广告产品交互关系》，上篇逻辑里核心是从产品逻辑的角度，来阐述整体广告生态中不同的产品以及平台的角色。而这篇，我们则从偏技术以及数据逻辑来了解整体的在线广告系统的技术架构以及数据流向来做分析。 在做正式的分析之前，我们先把《计算广告》中涉及的技术架构图来一张（重新绘制就没有必要了，手拍一张，凑合着看先，后面有数据虫巢这边按逻辑理解的再绘图）： 从整体的角度来看，其实相对还是比较完善的了，基本把整个广告技术......
57 天前 / Thinkgamer
“【Spark排序算法系列】主要介绍的是目前推荐系统或者广告点击方面用的比较广的几种算法，和他们在Spark中的应用实现，本篇文章主要介绍LR算法。 ” 【Spark排序算法系列】主要介绍的是目前推荐系统或者广告点击方面用的比较广的几种算法，和他们在Spark中的应用实现，本篇文章主要介绍LR算法。 本系列还包括（持续更新）： Spark排序算法系列之GBDT（梯度提升决策树） Spark排序算法系列之LR（逻辑回归） Spark排序算法系列之XGBoost Spark排序算法系列之FTRL（Follow-the-regularized-Leader） Spark排序算法系列之FM与FFM 背景......
61 天前 / gongyouliu
点击上方“大数据与人工智能”，“星标或置顶公众号” 第一时间获取好内容 作者丨gongyouliu 这是作者的第9篇文章，约1.3W字，阅读需60min 作者在《推荐算法工程师的成长之道》这篇文章中讲到推荐算法工程师是一个好的职业选择，并且讲解了职业发展路径及定位、怎么成长等话题(还没看的可以看起来)。 如果大家认可我讲的并且也愿意将来从事推荐算法的工作，但是不知道需要学什么才可以更好地入门，那么你一定要读读这篇文章。 在本篇文章中，作者基于自己近10年的大数据与推荐系统项目经验来讲讲我们该怎么入门推荐算法工......
79 天前 / hyper0x
文章作者：邹敏 Opera 高级算法专家 内容来源：作者授权发布 出品社区：DataFun 注：欢迎转载，转载请注明出处。 前言 推荐系统是驱动内容分发的引擎，而个性化则是推荐系统的核心思想。分类模型和排序模型是业界常用的两种个性化建模方式。本文探讨两种方法的异同点，总结如下： 分类模型回答的是用户喜不喜欢这个物品，而排序模型回答的用户更喜欢哪一个； 在对事件发生的假设上，分类模型认为个样本之间相互独立且服从相同的分布，排序模型认为同组内部的样本是有关联关系和可以相互比较的； 从Bayesian 的观点来看，分类模型刻画的......
81 天前 / 数据虫巢
作者 | 黄崇远 （题图：来自于tantupix.com,CCO协议图片） 01 伪广告逻辑 从第一篇文章《数据与广告系列一：初识在线计算广告》中，从数据和算法的角度，他就是一个偏向于候选资源排序的逻辑，我们会发现还有很多类似的场景。 比如，我们做EDM精准营销，有限的营销预算里，将信息通过E-mail推送给候选人，期望带来高转化，其实就是将用户池排序的过程，然后根据预算截取TopN来发邮件。 再比如，团购网站，或者导航网站，或者更直白点电商的货架商品陈列，其实也是指定了条件，在有限的候选集里，如何排序的问题。 再再......
88 天前 / gongyouliu
点击上方“大数据与人工智能”，“星标或置顶公众号” 第一时间获取好内容 作者丨gongyouliu 这是作者的第7篇文章，约1万字，阅读需60分钟左右 前言 作者在之前的文章《推荐系统的工程实现》第三节中，对推荐系统业务流和各个模块做了简单介绍，相信大家已有初步的了解。 文章中简单提到了推荐Web服务模块，这一模块也是直接与用户交互的部分，在整个推荐系统业务流中具有举足轻重的地位，因为Web服务模块的好坏直接影响用户体验。 本篇文章，作者会详细介绍怎么构建优质的推荐交互模块，如何打造优质的推荐服务，更好地......
100 天前 / 推荐算法攻城狮一枚
本文内容来自神策数据《智能推荐——应用场景与技术难点剖析》闭门会分享内容整理，分享者为神策数据算法专家胡士文，分享主题为《推荐系统的实践与思考》。 大家好，在演讲开始前，我对在座的各位进行了一个小调查，得知大家普遍在工作中遇到的与推荐系统相关的问题是：“数据太稀疏、数据没有形成闭环、数据没办法跟其他系统结合”等等，这些内容，是摆在我们面前的实际问题，那么当我们真正要开始做一个推荐系统时，需要从几方面考虑问题呢？ 第一，算法。到底应该选择什么样的算法？无论是协同过滤还是其他算法，都要基于自己的业务......