本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第四篇。 第一篇指路： 淘系技术 | 冷启动系统优化与内容潜力预估实践 第二篇指路： 淘系技术｜GNN 在轻应用内容推荐中的召回实践 第三篇指路：淘系技术｜基于特征全埋点的精排ODL实践总结 第四篇指路： ....

本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第二篇。 第一篇指路： 淘系技术 - 冷启动系统优化与内容潜力预估实践 前言 每平每屋是阿里巴巴旗下家居家装平台，涵盖淘宝每平每屋家居频道、每平每屋设计家、每平每屋App、每平每屋制造业等家居全链路服务，为 ....

作者：邦祝 淘系技术 稿 本系列文章包含每平每屋过去一年在召回、排序和冷启动等模块中的一些探索和实践经验，本文为该专题的第七篇。 第一篇指路： 淘系技术 | 冷启动系统优化与内容潜力预估实践 第二篇指路： 淘系技术｜GNN 在轻应用内容推荐中的召回实践 第三篇指路：淘系技术｜基于特征全埋点的精排OD ....

[图片] 分享嘉宾：朱杰明 华为诺亚方舟实验室 编辑整理：张奥宇 AWS 出品平台：DataFunTalk 导读： 经过多年的技术进步，推荐系统场景已经从最开始的协同过滤，发展到了现在的深度学习为核心的阶段。随着深度学习模型的体量逐渐变大后，其优化的难度也在增大，特别在推理性能上的限制下，最后模型的 ....

[图片] 分享嘉宾：罗清 快手 高级算法工程师 编辑整理：吴祺尧 加州大学圣地亚哥分校 出品平台：DataFunTalk 导读： 推荐系统存在数据分布偏差与数据稀疏的问题，主要体现在群体兴趣与用户个性化的差异不易捕捉、部分反馈信号稀疏、负反馈不灵敏等。而对比学习可以在一定程度上缓解上述问题，提高推荐 ....

作者｜王兆雄、严鹏、吴伟兴、陈炜基 编辑｜邓艳琴 背 景 vivo 推荐业务包括浏览器信息流、横版视频、广告、直播、小说等互联网业务，以及负一屏信息流、阅图锁屏、i 音乐、i 主题等 ROM 场景业务。推荐形式多样，内容类型繁多，堆积的推荐需求和紧凑的业务上线时间节点，导致人力紧、时间赶。因此，vi ....

[图片] 图片来源：https://unsplash.com/photos/ft0-Xu4nTvA 作者：波克 网易云音乐稿 1. 直播业务背景 1.1业务背景 直播推荐业务是嵌入在云音乐 APP 中各个地方，其中就包括最大的几个场景歌曲播放页的直播模块、混合在评论中的评论页直播以及云音乐首页的首页 ....

如果想理解汤普森采样算法，就必须先熟悉了解贝塔分布。 一、Beta(贝塔)分布 Beta分布是一个定义在[0,1]区间上的连续概率分布族，它有两个正值参数，称为形状参数，一般用α和…

作者简介：潘星宇，中国人民大学信息学院硕士一年级在读，研究方向为推荐系统。 引言：推荐系统负采样作为推荐模型训练的重要一环，对模型的训练效果有着重要影响，也是推荐系统领域的一个重要…

作者： 负雪明烛  http://fuxuemingzhu.cn 项亮的《推荐系统实践》是一本面向推荐系统初学者的好书。这本书中间花了不少的篇幅去介绍了推荐系统中很重要的一个算法：…

导读：推荐系统是效果导向的数据应用服务，在功能的“有”和“无”之间，有很长的效果“好”和“坏”的光谱。本文以用户请求的粒度建立质量模型，通过数据血缘关联了数据表、算法模型、系统服务和用户请求，并结合美团综合业务的实践进行了拓展泛化，希望能对大家有所帮助或启发。 1 前言 美团到店综合业务（以下简称到 ....

前言： 近年来，随着网络技术的快速发展，尤其是移动互联网时代的到来，之家用户规模和内容规模迅猛增长，用户侧日活跃几千万，内容侧拥有了几十亿内容。用户侧需要解决“知识焦虑”问题，内容侧需要解决“信息过载”、“信息孤岛”问题。基于以上问题，智能推荐系统应用而生，既为用户提供个性化内容，又有效的连接用户与 ....

Surprise简介 Surprise（Simple Python Recommendation System Engine）是一款推荐系统库，是scikit系列中的一个。surp…

最近工作中需要调研一下搜索排序相关的方法，这里写一篇水文，总结一下几天下来的调研成果。包括 Learning to rank 基本方法 Learning to rank 指标介绍 …

作者|Amol Mavuduru 编译|VK 来源|Towards Data Science 原文链接：https://towardsdatascience.com/how-you…

[图片] 分享嘉宾：袁镱博士 腾讯 专家研究员 编辑整理：尹学正 腾讯音乐 出品平台：DataFunTalk 导读： 随着推荐技术的不断发展，推荐系统的应用变得更加广泛。相比CV/NLP场景，推荐场景的模型训练和线上预测需要更强的实时性。因为场景的多样性，推荐系统的优化目标也更为复杂多变。推荐业务用 ....

作者：vivo 互联网服务器团队-Tang Shutao 现如今推荐无处不在，例如抖音、淘宝、京东App均能见到推荐系统的身影，其背后涉及许多的技术。 本文以经典的协同过滤为切入点，重点介绍了被工业界广泛使用的矩阵分解算法，从理论与实践两个维度介绍了该算法的原理，通俗易懂，希望能够给大家带来一些启发 ....