张俊林 推荐系统几乎已经深入到人们生活的方方面面，其背后的算法也在不断地迭代更新。FM 和 FFM 模型是最近几年提出的模型，拥有在数据量较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果的特性。 新浪微博 AI Lab 资深算法专家张俊林，在 2018 年全球人工智能与机器学习大会 AICon ....

版权声明 作者：李铁牛 本文为 InfoQ 原创投稿。 移动互联网广告基于大数据，实现广告的精准人群定向投放和效果评估，并借助于不可胜数的广告策略，控制着广告的实时投放，让数据驱动型的移动互联网广告沿着站方、用户、广告主三者共赢的目标不断前进。 大数据驱动使得效果指标的量化评估成为了可能。为了实现好 ....

分享嘉宾：贾元乔 菜鸟 高级数据技术专家 编辑整理：夏飞飞 内容来源：Flink Forward ASIA 出品平台：DataFunTalk 导读： 在开源盛世的今天，实时数仓的建设已经有了较为成熟的方案，技术选型上也都各有优劣。菜鸟作为物流供应链的主力军，时效要求已经成为了核心竞争力，离线数仓已不 ....

2019 很快就过去了，不知不觉中已经在 51CTO 的平台上发表了 20 篇文章。 [图片] 到了年终一般都要做总结，今天借 51CTO 一方宝地来说说心里话，从如下几个方面和大家分享一下 IT 从业人员的心声： 思维方式 学习与提升 职业发展路线 跳槽和卧槽 总结 思维方式 记得在稻盛和夫的《干 ....

作者 | mokong 搜狐技术产品 导读 随着 AlphaGO 在围棋界接连战胜世界冠军，其背后的技术-强化学习逐渐获得学术界、工业界的青睐。在新闻推荐任务中，传统的推荐算法无法考虑单个请求内新闻之间的关联，也无法考虑多个请求之间的关系，而强化学习，通过学习推荐策略给解决上述问题带来了可能。 1. ....

高攀: 贝壳搜索推荐部平台架构负责人 贝壳找房在云加社区组织的分享 导语 | 搜索和推荐是用户获取信息的两种主要方式，在贝壳也是帮助客户找到房子的主要手段，那么二者都有哪些相似和不同之处？是否可以使用同一套架构来实现？统一架构之后又能带来哪些收益呢？本文是对贝壳搜索推荐部平台架构负责人——高攀在云 ....

转载自 ： 杉枫 量变引起质变，这个情况在分布式 Redis 集群下发生的极其明显，当用 Redis 集群规模很小、存取数据很小时，基本上不会遇到任何问题，但是当我们集群规模为数 T，并且存在很多业务读写集群各种各样问题都会发生。 [图片] 线上遇到过一个业务突然 tp99 飙升，并且性能持续变差， ....

[图片] 分享嘉宾：王金海 趣头条 编辑整理：王彦 内容来源：Flink Forward Asia 出品平台：DataFunTalk 导读： 趣头条一直致力于使用大数据分析指导业务发展。目前在实时化领域主要使用 Flink+ClickHouse 解决方案，覆盖场景包括实时数据报表、Adhoc 即时查 ....

原文地址： https://zhuanlan.zhihu.com/p/97821040 一般的推荐系统主要包括召回、排序和后续的业务机制(重排序、多样性保证、用户体验保证等等)这三大模块，而其中召回模块主要负责根据用户和 item 的特征，从众多待推荐的候选 item 中初步筛选出用户可能感兴趣的 ....

深度神经网络（Deep Neural Networks， 以下简称 DNN）是深度学习的基础，而要理解 DNN，首先我们要理解 DNN 模型，下面我们就对 DNN 的模型与前向传播算法做一个总结。 1. 从感知机到神经网络 [图片]

导读 在当前这个移动互联网时代，各种信息内容爆炸，面对海量数据，用户希望在有限的时间和空间内，找到自己感兴趣的内容，这就是推荐需要解决的问题。接下来主要讲解新闻推荐的算法原理。 01.新闻推荐算法架构 新闻算法的核心主要分为两个阶段：召回阶段（retrieval）和排序阶段（ranking）。之所以 ....

导语 | 看点信息流每天为亿级用户提供海量实时推荐服务，除了大并发/低延迟/高性能等传统架构挑战以外，还有哪些推荐系统特有的架构挑战难题，又是如何解决的？本文是对腾讯看点独立端推荐研发中心总监——彭默在云 ＋社区沙龙 online 的分享整理，希望与大家一同交流。 一、看点信息流 [图片] 在 QQ ....

Part.1 马蜂窝推荐系统架构 马蜂窝推荐系统主要由召回（Match）、排序（Rank）、重排序（Rerank）几个部分组成，整体架构图如下： [图片] 在召回阶段，系统会从海量的内容库筛选出符合用户偏好的候选集（百级、千级）；排序阶段在此基础上，基于特定的优化目标（如点击率）对候选集内容进行更加 ....

原文： https://zhuanlan.zhihu.com/p/58508137 作者： 青烟雨后 前言 在实际项目或者刷竞赛的时候，经常会遇到训练数据非常大导致一些算法实际上不能操作的问题。比如在广告行业中，因为 DSP 的请求数据量特别大，一个星期的数据往往有上百 G，这种级别的数据在训练的时 ....