8 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。
15 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。
20 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。
26 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。
38 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。
41 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。
63 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...
64 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”。
77 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）。
90 天前 / 数据虫巢
作者·黄崇远 『数据虫巢』 全文共 5838 字 题图 ssyer.com “我们从另外一个视角，或者另外一些思考方式来学习或者说认识推荐相关的模型。” 整个推荐技术发展到了如今，其实成熟度已经非常高了，尤其是模型层面，可以说被‘玩坏了’，不单纯是原文中提到的十大几种模型，几乎每年各大厂子都会有一些推荐相关的工程实践论文出来，眼花缭乱。 除了原文所组织的，从网络结构演进的方式去观测，还有其他方式去学习和认知，但最终我们的目标是，帮助我们自己的场景选择或者说演化最合适的模型出来。
94 天前 / 数据时光者
首发于数据拾光者写文章广告行业中那些趣事系列 32：美团搜索 NER 技术实践学习笔记数据拾光者OPPO 高级数据挖掘工程师 1 人赞同了该文章导读：本文是“数据拾光者”专栏的第三十二篇文章，这个系列将介绍在广告行业中自然语言处理和推荐系统实践。本篇主要是学习美团技术团队分享的《美团搜索中 NER 技术的探索与实践》学习笔记，对于想了解美团搜索 NER 技术实践的小伙伴可能有所帮助。 欢迎转载，转载请注明出处以及链接，更多关于自然语言处理、推荐系统优质内容请关注如下频道。
97 天前 / 虞大胆
作者：boxianlai，腾讯 WXG 应用研究员 这篇文章整理于 2020 年 12 月 31 号在腾讯 WXG T 族开放技分享材料，分享内容是我们在搭建一套适合微信游戏业务特色推荐系统过程中的设计方案和实践经验。这套系统从 18 年底开始设计 19 年初开发完成，现在已经在业务上运行了一年多，当前部门所有的推荐业务都已经应用上这套能力，包括所有精品 app 游戏分发和游戏相关的内容推荐、几万款小游戏分发，服务着几亿微信游戏玩家。
102 天前 / Thinkgamer
本文为「严选文」即转载的精选文章！ 导读：召回几乎是所有推荐系统的基础模块，对应到电商的推荐中，它的作用是从海量的商品池中，筛选出一部分用户可能感兴趣的商品作为上层排序系统的候选集。因此，可以说召回效果的好坏直接决定了推荐效果的上界。 常见的有基于 user profile 的召回，基于协同过滤的召回，还有最近比较流程的基于 embedding 向量相似度的 topN 召回等等。方法大家都知道，但具体问题具体分析，对应到旅行场景中这些方法都面临着种种挑战。
104 天前 / Thinkgamer
本系列主要是基于 Spark 的推荐算法实战系列，本文为首篇，欢迎关注！ 1.Swing 算法介绍 Swing 算法原理比较简单，是阿里早期使用到的一种召回算法，在阿里多个业务被验证过非常有效的一种召回方式，它认为 user-item-user 的结构比 itemCF 的单边结构更稳定，截止目前并没有公开的论文进行介绍和说明（可能是因为比较简单，阿里看不上哈哈），但是根据网上的各种资料，对该算法的原理进行介绍，如有错误，欢迎指正。 Swing 指的是秋千，例如用户和用户，都购买过同一件商品，则三者之间会构成一个类似秋千的关系图。
107 天前 / 携程技术
作者简介 Yorkey，携程高级算法专家，主要从事大规模分布式推荐系统设计和算法研发工作。 一、背景 当用户在线上浏览酒店时，作为旅行平台，如何挑选更合适的酒店推荐给用户，降低其选择的费力度，是需要考虑的一个问题。在携程 APP 中，一般会触发多种场景。在 Figure 1 中，我们列举了几种典型的场景：欢迎度排序，智能排序和搜索补偿推荐。 Figure1：用户触发的场景 欢迎度排序：在异地场景下，当用户没有明确表达自己需求的情况下，默认按照欢迎度排序展示酒店；智能排序：在同城或者当用户在浏览上述排序结果的过程中...