推荐系统
3 人感兴趣 · 64 次引用
- 最新
- 推荐
探索将大语言模型用作推荐系统
编者按：目前大语言模型主要问答、对话等场景，进行被动回答。是否可以将大模型应用于推荐系统，进行主动推送呢？
推荐系统 [四]：精排 - 详解排序算法 LTR (Learning to Rank)_ poitwise, pairwise, listwise 相关评价指标，超详细知识指南。
推荐可分为以下四个流程，分别是召回、粗排、精排以及重排： 1. 召回是源头，在某种意义上决定着整个推荐的天花板； 2. 粗排是初筛，一般不会上复杂模型； 3. 精排是整个推荐环节的重中之重，在特征和模型上都会做的比较复杂；
推荐系统 [八] 算法实践总结 V2：排序学习框架 (特征提取标签获取方式) 以及京东推荐算法精排技术实战
「排序学习（Learning to Rank，LTR）」，也称「机器排序学习（Machine-learned Ranking，MLR)」 ，就是使用机器学习的技术解决排序问题。自从机器学习的思想逐步渗透到信息检索等领域之后，如何利用机器学习来提升信息检索的性能水平变成了近些年来非常热门
解密游戏推荐系统的建设之路
本文从零开始介绍了游戏推荐项目的发展历程，阐述了大型项目建设中遇到的业务与架构问题以及开发工程师们的解决方案，描绘了游戏推荐项目的特点以及业务发展方向。
推荐系统 [三]：粗排算法常用模型汇总 (集合选择和精准预估)，技术发展历史（向量內积，Wide&Deep 等模型）以及前沿技术
推荐可分为以下四个流程，分别是召回、粗排、精排以及重排：
「实操」结合图数据库、图算法、机器学习、GNN 实现一个推荐系统
本文是一个基于 NebulaGraph 上图算法、图数据库、机器学习、GNN 的推荐系统方法综述，大部分介绍的方法提供了 Playground 供大家学习。
转转推荐场景 EE 题解决思路
在Exploitation中最重要的是 Relevance ( 相关性 ) 的计算，其根本思想是根据用户浏览、观看和收藏的内容等用户行为数据推测该用户可能采取的行动。常见的推荐算法大多是基于针对该目标的优化而展开的。
vivo 互联网机器学习平台的建设与实践
本文将从业务场景、平台功能实现两个方面介绍vivo内部机器学习平台在建设与实践中的思考和优化思路。
图系列算法在转转推荐算法召回及粗排的实践
推荐系统承担了为用户推荐商品与内容的重要角色，一方面链接了用户与商品的关系，为用户节约筛选心仪产品的时间，帮助用户在平台琳琅满目的商品中发现感兴趣的商品；另一方面帮助商家让自己的商品从海量商品中脱颖而出，推荐给合适的用户。
你以为的推荐系统，其实只是推荐模型
本文将结合Meta、Netflix和Pinterest等公司的实例介绍一种构建推荐系统的主流模式。NVIDIA Merlin团队认为，这种模式是构建端到端推荐系统的核心，并希望通过介绍这种模式，帮助你理解推荐系统（而不仅仅是推荐模型）如何应用在实际生产中。
推荐系统 - 协同过滤在 Spark 中的实现
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。
【ICDE 2022】稀疏模型训练框架 HybridBackend，单位成本下训练吞吐提升至 5 倍
近年来，随着稀疏模型对算力日益增长的需求, CPU集群必须不断扩大集群规模来满足训练的时效需求，这同时也带来了不断上升的资源成本以及实验的调试成本。
推荐系统基础结构总结 | 社区征文
我们周围存在大量的文字、语音、视频等信息，比如网络购物玲琅满目的商品信息，浏览抖音各种类型的信息，一个互联网产品是否具有吸引力，是看其有多智能，能够让用户发较小的时间能够获取他感兴趣的内容，这里面少不了推荐系统的作用了，它已经渗透到我
基于社交网络的客户智能 ( AI ) 推荐系统研究
推荐系统是用来做什么的呢？总结来说，它就是通过数据发掘用户的个性化需求，从而为其提供个性化的建议的一种系统工程。
华为云 PB 级数据库 GaussDB(for Redis) 揭秘：如何搞定推荐系统存储难题
摘要：GaussDB(forRedis)轻松搞定推荐系统核心存储，为企业级应用保驾护航。
Building deep retrieval models
In the featurization tutorial we incorporated multiple features into our models, but the models consist of only an embedding layer. We can add more dense layers to our models to increase their expressive power.In general, deeper models are
Taking advantage of context features
In the featurization tutorial we incorporated multiple features beyond just user and movie identifiers into our models, but we haven't explored whether those features improve model accuracy.
Using side features: feature preprocessing
One of the great advantages of using a deep learning framework to build recommender models is the freedom to build rich, flexible feature representations.
TensorFlow Recommenders: Quickstart
In this tutorial, we build a simple matrix factorization model using the MovieLens 100K dataset with TFRS. We can use this model to recommend movies for a given user.
Recommending movies: retrieval
Real-world recommender systems are often composed of two stages:
