4 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......
8 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......
26 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......
28 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......
35 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......
47 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......
50 天前 / gongyouliu
作者在《推荐系统介绍》这篇文章中提到，冷启动是推荐系统的重要挑战之一。 那么，什么是冷启动？如何设计一个好的冷启动方案？可能很多读者还不是特别了解，本文将试图给大家讲清楚这些问题。 具体而言，本文将主要从以下7个方面进行展开： 什么是冷启动？ 解决冷启动面临的挑战 解决冷启动为何如此重要？ 解决冷启动的方法和策略 不同推荐产品形态冷启动的解决方案 设计冷启动时，需要注意的问题 冷启动未来发展趋势 文章总计约1万字，阅读需50min，建议收藏下来慢慢看。 希望通过本文，你能对推荐系统的冷......
65 天前 / RecomAI
最近碰到一位兄台的毕设题目是: 基于用户画像的音乐推荐系统, 然后这哥们就被网上的各种资料给绕进去了, 比如item2vec, 各种基于模型的, 偏偏是跟用户画像没关系, 为了应付过去可以按照以下思路来做, 更多资料关注公众号 【推荐系统与机器学习】 准备数据正排数据, 直接扔redis里, 可以直接通过id查询正排信息 message Pair { string tag; float weight; } message Music { string id; string title; string author; repeated Pair tags; //歌曲的tag列表, 比如电子/时尚/爱情等标签, 标签有多个 并且有......
73 天前 / mr7
导语：最近几年来，深度学习在推荐系统领域中取得了不少成果，相比传统的推荐方法，深度学习有着自己独到的优势。我们团队在QQ看点的图文推荐中也尝试了一些深度学习方法，积累了一些经验。本文主要介绍了一种用于推荐系统召回模块的深度学习方法，其出处是Google在2016年发表于RecSys的一篇用于YouTube视频推荐的论文。我们在该论文的基础上做了一些修改，并做了线上AB测试，与传统的协同召回做对比，点击率等指标提升明显。 为了系统的完整性，在介绍主模型前，本文先对传统推荐算法和召回算法做一些简单的介绍和总结，并指出深度......
77 天前 / php-v
在之前的文章《推荐系统评估》中，作者对推荐系统的商业价值做了简单说明，还没看的童鞋可以点这里：《推荐系统评估》 本文，作者将会详细介绍推荐系统的商业价值，大约8500字，阅读需要40min左右，建议关注我们，收藏文章慢慢看。 正文： 所谓推荐系统的商业价值，通俗来说就是推荐系统怎么更好的帮助公司挣钱。那么，该从哪些维度来理解推荐系统的商业价值？如何量化？怎么提升？以及，在挖掘推荐系统商业价值的过程中，有哪些需要特别注意的点？ 这不是哲学的三连问，却是任何从事推荐算法开发的工程师、推荐产品经理、推......
78 天前 / Thinkgamer
“本文分为四部分介绍机器学习在微博信息流中的应用实践，分别为：微博信息流推荐场景介绍，内容理解与用户画像，大规模推荐系统实践和总结展望。 ” 赠书活动持续进行中，下周一开奖【点击查看详情】 赠书 | 第一次送书，送排名第一的书！ 微博信息流推荐场景介绍 微博的feed流内容形态各异，有视频，图片，文字，长文，问答等，其用户量也很大，2018年Q2统计DAU（日活）为1.9亿，MAU（月活）为4.3亿，这么庞大的用户量，如何做好首页feed流的个性化推荐就显得格外重要。 内容理解与用户画像 由于个性化推荐是给用户推......
87 天前 / RecomAI
【推荐系统与机器学习导读】总结了一个RD工程师的推荐系统学习之路, 更多推荐系统知识请关注 RecomAI 作为一个CS专业的本科毕业生, 当初进入互联网领域时只是一个电商业务的RD开发工程师, 后来机缘巧合之下转向了大数据领域, 后来又进入到了推荐系统的相关开发工作。回顾这些年的工作, 总结了一些经验, 希望对那些有志于进入推荐系统相关领域的同学有一些帮助。 推荐/搜索/广告 是目前机器学习成熟落地的三大马车, 对各个互联网公司商业变现有着重要的意义, 这三个业务在维度上有一些区别,比如搜索的目标是降低延时增大query的相关性, ......
89 天前 / gongyouliu
推荐系统介绍 一，推荐系统产生的背景 随着移动互联网的快速发展，我们进入了信息爆炸时代。当前通过互联网提供服务的平台越来越多，相应的提供的服务种类(购物，视频，新闻，音乐，婚恋，社交等)层出不穷，服务“标的物”的种类也越来越多样(亚马逊上有上百万的书)，这么多的“标的物”怎么让需要它的人找到它， 满足用户的各种需要， 就是摆在企业面前的难题。 同时，随着社会的发展，受教育程度的提升，每个人都有表现自我个性的欲望。随着互联网的发展，出现了非常多的可以表达自我个性的产品，如微信朋友圈，微博，抖音，快手等，每个人的......
92 天前 / phperzone
点击标题下「蓝色微信名」可快速关注 本文大约1万字，阅读需要45分钟左右，建议先收藏 作者在上篇文章《推荐系统的工程实现》中提到推荐系统要很好地落地到业务中，需要搭建支撑模块，其中效果评估模块就是其中非常重要的一个。本篇文章作者来详细说明怎么评估(Evaluating)推荐系统的效果，有哪些评估手段,在推荐业务中的哪些阶段进行评估，具体的评估方法是什么。借此希望更好地帮助大家在实际业务中实施推荐系统评估模块。 本篇作者主要从“什么是一个好的推荐系统”、“在推荐系统业务的各个阶段怎么评估推荐系统”，“推荐系统......
124 天前 / 58无线
首先，我们先了解一下推荐系统的两个最主要部分：recall（召回）和rank（排序），一般最后还有rerank（根据业务场景和策略规则进行重排序，比如置顶、过滤等）。之前的一篇文章主要介绍了召回流程 - 58部落帖子推荐系统的抬手动作，介绍如何通过不同的策略从海量数据中召回用户感兴趣的帖子作为推荐候选集，但由于不同的策略的评分标准、计算维度等不一致，无法直接推给用户，需要从中各拿出一部分做一个统一的排序，把用户可能最喜欢的帖子放在最上面曝光，这一步叫融合排序。 既然是排序，那么就得有个评分标准，而CTR(click through rate)就是......