16 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编辑丨zandy这是作者的第21篇文章，约6500字，阅读需40分钟 作者在《深度学习在推荐系统中的应用》这篇文章中对YouTube在2016年提出的一个两阶段的深度学习推荐模型进行了详细介绍，该模型是深度学习在推荐系统中的应用最经典的模型之一。最近YouTube又提出了一个针对推荐排序阶段的多任务深度学习模型，这即是这篇文章我们要介绍的。 在本篇文章中，我们从问题背景及算法方案简介、排序算法模型整体框架、排序算法模型核心模块、排序模型核心亮点......
20 天前 / Thinkgamer
共发表：第198篇推荐系统中有两个很重要的问题：EE问题和冷启动。在实际的场景中很好的解决这两个问题又很难，比如冷启动，我们可以基于热门、用户、第三方等信息进行半个性化的推荐，但很难去获得用户的真实兴趣分布。那么有没有一种算法可以很好的解决这个问题呢？答案就是：Bandit。 Bandit算法与推荐系统在推荐系统领域里，有两个比较经典的问题常被人提起，一个是EE问题，另一个是用户冷启动问题。 EE问题又叫Exploit-Explore。 Exploit表示的是对于用户已经确定的兴趣当然要迎合。 Explore表示的如果仅对用户进行兴趣投放，很快就会看......
21 天前 / mr7
本文记录我对推荐系统架构的一些想法，限于本人水平和技术视野，肯定有不足之处，甚至一些错误，所以恳请大家指出问题，多多交流！ 架构图 图1总体架构 图1大虚线内是线上服务，请求顺序用数字标识，不带箭头的连线表示通信是双向的，即请求与响应，它周围的各模块分别是：elk日志收集系统，监控系统，A/B实验，处理离线数据的hdfs+spark/tensorflow，处理实时数据的kafka+storm/flink和物品管理。 在线服务内部架构 在线服务的内部如大虚线框内所示，这可能和你遇到的不同，甚至和你想像的也差异很大，但不必奇怪......
26 天前 / hyper0x
导读：今天分享一下 facebook 新发的深度学习推荐系统的论文： Deep Learning Recommendation Model for Personalization and Recommendation Systems https://arxiv.org/pdf/1906.00091.pdf 这篇文章概述了当前推荐系统实现的主要思路，提出了一种通用的模型结构 DLRM，与其他常见的 paper 不同，该篇有着浓浓的工业界风格，不仅和其他模型进行效果对比，还讲述了常见的特征如何处理，内在思维逻辑如何，在大规模的现实场景中会面临哪些问题。像大规模稀疏特征如何解决，比如用数据并行与模型并行相结合。以及 CPU 和 GPU 在实践中的性能如何，......
28 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编辑丨zandy这是作者的第20篇文章，约2.4万字，阅读需180分钟2016年DeepMind开发的AlphaGo在围棋对决中战胜了韩国九段选手李世石，一时成为轰动全球的重大新闻，被全球多家媒体大肆报道。AlphaGo之所以取得这么大的成功，这其中最重要的技术之一是深度学习技术。经过这几年的发展，深度学习技术已经在图像分类、语音识别、自然语言处理等领域取得突破性进展，甚至在某些方面(如图像分类等)超越了人类专家的水平。深度学习技术驱动了第三次人工智能浪潮的到来......
34 天前 / openio
阿里妹导读：搜索，推荐和广告是互联网内容提供商进行价值创造的核心业务，在阿里巴巴的电子商务交易平台上，搜索，推荐和广告业务同样具有举足轻重的意义和价值。现在，阿里推荐技术又双叒优化了，新的推荐技术，新的体验，一起来看。 一. 背景 搜索、推荐和广告看似业务形态不同，其实技术组成却是非常相通的。从推荐的视角看，搜索可以认为是一种带query相关性约束的推荐，而广告则是叠加了广告主营销意愿（价格）约束的推荐，所以推荐技术的创新对推动搜索、推荐和广告业务技术的整体发展具有基础性的作用。 从技术演进的角度，......
38 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编辑丨lily这是作者的第19篇文章，约1.1万字，阅读需80分钟作者在《矩阵分解推荐算法》这篇文章中提到，矩阵分解算法是一类嵌入方法，通过将用户行为矩阵分解为用户特征矩阵和标的物特征矩阵的乘积，最终将用户和标的物嵌入到低维空间中，通过用户特征向量和标的物特征向量的内积来计算用户对标的物的偏好。 Word2Vec也是一类嵌入方法，通过构建双层神经网络模型，将词嵌入到低维向量空间，词向量保持了词的句法和语义关系，可以解决各类语言学问题。自从......
45 天前 / 读芯术
不到现场，照样看最干货的学术报告！ 嗨，大家好。这里是学术报告专栏，读芯术小编不定期挑选并亲自跑会，为大家奉献科技领域最优秀的学术报告，为同学们记录报告干货，并想方设法搞到一手的PPT和现场视频——足够干货，足够新鲜！话不多说，快快看过来，希望这些优秀的青年学者、专家杰青的学术报告 ，能让您在业余时间的知识阅读更有价值。 人工智能论坛如今浩如烟海，有硬货、有干货的讲座却百里挑一。“AI未来说·青年学术论坛”系列讲座由中国科学院大学主办，承办单位为中国科学院大学学生会，协办单位为中国科学院计算......
47 天前 / 博文视点Broadview
随着互联网行业的高速发展，人们获取信息的方式越来越多。人们对信息获取的有效性和针对性的需求随之出现，推荐系统也应运而生。推荐系统就是互联网时代的一种信息检索工具，推荐系统的任务就是连接用户和信息，创造价值。 YouTube 是世界上最大的生产、分享、发现视频内容的平台。2016 年，YouTube 用深度神经网络完成了工业级的视频推荐系统，这帮助了10 亿多用户从不断增大的视频集中发现个性化的视频内容。 在推荐系统中，由于待推荐的物品数量非常巨大，推荐系统不可能对所有物品进行模型预估，因此需要使用召回方法，以便高效地从海量物品......
56 天前 / 闲鱼技术
背景 闲鱼作为电商场景的APP，最丰富的部分就是作为商品宝贝浏览承载的feeds，比如首页下面的宝贝信息流，搜索结果页以及详情页下面的猜你喜欢，这些feeds场景都少不了推荐算法在背后的支撑。 我们观察到随着手机计算能力的提升，某些计算可以在端上直接计算，再统一上报到后端，这样相比云计算有很多明显的优势： 1. 更加实时性：我们可以在端上完成原始特征的处理和实时打分，从原始特征的抽取到计算结果的上报完成，可以在1s左右完成。 2. 计算资源的节约：大量数据如果都汇集到云端上计算，可能会造成计算资源的不足，我们可以将计算量分散......
58 天前 / 读芯术
全文共10848字，预计学习时长21分钟或更长 图片来源：Unsplash/Susan Yin 你也许每天都会逛一逛电子商务网站，或者从博客、新闻和媒体出版物上阅读大量文章。 浏览这些东西的时候，最令读者或者用户烦恼的事情是什么呢？ ——有太多的东西可以看，反而会经常看不到自己正在搜索的东西。 是的，网上有太多的信息和文章，用户需要一种方式来简化他们的发现之旅。 如果你在经营一家电子商务网站或博客，你也许会问：有这个必要吗？ 嗯……你听过漏斗吗？ 用户所用的漏斗越小，产品的转换就越大。这是......
71 天前 / zhishemg
前言 之前一直给大家推荐的是关于 Flink 的介绍和知识点，以及关于 Flink 里面使用这些知识点的一些简单的 demo，地址在：https://github.com/zhisheng17/flink-learning 。总的来说，现在还挺缺这种真正实战的项目分享出来，尤其是把源代码分享出来的，近期我在 GitHub 观察到一个不错的 Flink 项目，然后也和作者交流了下，于是在这里做一个分享。所以，那些平时问我有没有 Flink 项目的可以看过来了。地址在 ：https://github.com/CheckChe0803/flink-recommandSystem-demo 下面介绍下这个项目。 1. 系统架构 v2.01.1 系统架构图 1.2模块说......
71 天前 / Thinkgamer
TransFM结合了FM和TransRec的思想，将其应用在序列推荐中，使用简单的模型对复杂的交互之间进行建模并能取得不错的效果。 ——文章概要 序列推荐模型TransRec，参考：点击阅读 该文的授权版本：TransFM【此文文末有留言送书活动】 概述论文是由Rajiv Pasricha和Julian McAuley两位大佬提出的发表在RecSys18 上的，是TransRec和FM的结合版本（论文下载地址：https://cseweb.ucsd.edu/~jmcauley/pdfs/recsys18a.pdf）。在下面会简单介绍TransRec和FM。 对于电商网站（如亚马逊），媒体网站（如Netflix，Youtube）等而言，推荐系统是其......
96 天前 / Thinkgamer
结缘编辑我不知道是怎样的巧合，让吴老师（此书的编辑）在茫茫人海之中找到了我，我也不知道是谁给我的勇气让我答应去写作这本书。只知道我头脑发热之后的无数个夜晚和周末都被写作占据了，我期待的诗和远方也被我藏在角落里，直到初版书稿完成后才悄然拿起，带着我的小毛驴游历四方。 我想大概也许是因为CSDN博客的多年耕耘才给了我这个机会，大概也许是因为我的工作经历给了我写这本书的勇气，不管怎样，我都怀抱着感恩的心态，感激一路走来遇见的每一个人，他们都是我的老师，只不过有些人在教我一个道理之后就不再相交。 之前也......
99 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15篇文章，约1.1万字，阅读需70分钟 以下为正文： 作者在《推荐系统产品与算法概述》这篇文章中简单介绍了协同过滤算法。协同过滤算法是在整个推荐系统发展史上比较出名的算法，具备举足轻重的地位，甚至在当今还在大量使用。 本篇文章作者会详细讲解协同过滤推荐算法的方方面面，这里所讲的也是作者基于多年推荐系统研究及工程实践经验的基础上总结而成，希望对大家学习协同过滤推荐算法有所帮助，提供一些借鉴。 本文会......