HelloWorld 开发者社区

科技资讯

全部资讯

开源项目

全部项目

推荐好文

得物技术聊聊推荐系统是如何做排序的

引言信息时代到来以后,我们被各种各样海量的信息所淹没,从新闻、广告、电商、直播、短视频等各种涉及这些场景的APP中,大量个性化的信息被推送到我们眼前。例如在使用得物APP购物的过程中,我们也常常会听到这样的问题,为什么会给我推这双鞋/这件衣服?为什么浏览收藏过的商品反复出现在推荐流中

【BI思考题】阿里定向广告模型

定向广告和搜索广告的区别搜索广告的实现场景主要是在用户主动去搜索商品的情况下,根据用户搜索的内容推荐给他可能喜欢的商品,如果以​来表示用户可能喜欢的商品的概率,则广告的可能表达形式是:其中ad表示候选广告集,user表示用户特征,context表示

深入浅出之ip2region实现

在移动互联网的应用中,经常需要根据用户的位置信息等做一些用户侧信息的统计分析。而要拿到用户的位置信息,一般有两个方法:GPS定位的信息和用户IP地址。由于每个手机都不一定会打开GPS,而且有时并不太需要太精确的位置(到城市这个级别即可),所以根据IP地址入手来分析用户位置是个不错的选择

推荐系统工程篇之搭建以图搜图服务

基于内容的召回在推荐系统中是比较常见的召回策略,常见有基于用户或物品的标签召回或者基于用户的年龄,地域等召回,一般该策略的实现是基于开源软件Elasticseach实现的。虽然召回的结果都比较合理,但是召回的新颖度,惊喜度等都比较低。比如通过标签“刘德华”进行召回,基本上召回的都是包含刘德华字眼

推荐系统入门-新闻推荐模型排序+模型融合

排序模型通过召回的操作,我们已经进行了问题规模的缩减,对于每个用户,选择出了N篇文章作为了候选集,并基于召回的候选集构建了与用户历史相关的特征,以及用户本身的属性特征,文章本省的属性特征,以及用户与文章之间的特征,下面就是使用机器学习模型来对构造好的特征进行学习,然后对测试集进行预

推荐系统-新闻推荐之推荐

特征工程我们制作特征和标签,将推荐问题转成监督学习问题。我们先回顾一下现有数据,有哪些特征可以直接利用:文章的自身特征:category_id表示这文章的类型,created_at_ts表示文章建立的时间,这个关系着文章的时效性,words_count是文章的字数

Flink 流式处理与推荐系统的样本实时生成

继搜索引擎之后,推荐系统已经成为移动互联网时代人们获取信息的主要渠道,比如,流行的新闻App都会利用推荐系统进行用户的个性化推荐。新闻推荐场景具有高度的实时性,每时每刻都会有大量的新闻、热点产生。王喆前辈的两篇博客已经对推荐系统的实时性问题进行了深入的探讨:天下武功,唯快不破,论推荐

正在加载更多文章…

加载更多

已加载文章中没有匹配内容,可继续加载更多。