BT

如何利用碎片时间提升技术认知与能力? 点击获取答案

  • 他的粉丝

    中小企业如何做好推荐系统?

    作者 庄正中 关注 1 他的粉丝 发布于  2018年6月15日 1

    对于中小企业来说,拥有一个优质的推荐系统可以让诸多业务问题迎刃而解,然而大部分企业只想着应用 AI,却不知道怎样的推荐系统是适合自身业务的,本文作者是来自荔枝 FM 的数据挖掘工程师兼 AI 工程师,本文他将为读者解答中小企业如果做一套好推荐系统。

  • 他的粉丝

    国美11·11:大促场景下的国美智能推荐系统演进之路

    作者 杨骥 关注 0 他的粉丝 发布于  2017年11月12日

    随着业务场景的展开和大数据的积累,国美的推荐架构和机器学习算法也持续地升级和迭代。本文将详细介绍2016年以来,由11.11大促驱动的国美个性化推荐系统核心技术的演进历程。

  • 他的粉丝

    一篇长文教你学会推荐系统的矩阵分解

    作者 Nicolas Hug 关注 1 他的粉丝 ,译者 CarolGuo 关注 2 他的粉丝   发布于  2017年10月17日

    一篇长文章介绍如何用PCA和SVD进行矩阵分解,并用于推荐。

他的粉丝

从逻辑回归到深度学习,点击率预测技术面面观

作者 张红林 关注 6 他的粉丝 发布于  2017年10月6日

预测物品的点击率在计算广告、推荐系统等不同业务系统中都有一定需求,因此业界在这方面进行了不少研究。然而在机器学习领域,书籍出版远远落后于业界知识更新,这就要求每个从业者阅读大量资料和论文才能跟上知识更新的步伐,而这又需要耗费大量的时间和精力。本文是作者对阅读过的大量相关研究文献的小结,作者尝试结合文献与工作实践梳理广告点击率预测、推荐方面相关的技术脉络,希望能对大家有所帮助。 2

他的粉丝

深度学习打造精准推荐系统,细说国美互联网AI发展的进击之路

作者 蔡芳芳 关注 4 他的粉丝 发布于  2017年9月1日

这是一个AI+的时代。 作为线上+线下的电商零售平台,国美互联网如何将人工智能技术嵌入到实际业务中?机器学习和深度学习技术为国美带来了哪些改变?在这火热的时局中,国美未来在前沿技术方面又将如何布局?且听下文一一分解。

他的粉丝

2017年,你还在用用户画像和协同过滤做推荐系统吗?

作者 周开拓 关注 0 他的粉丝 发布于  2017年7月24日

如何使用大规模机器学习解决真实的业务问题?我们今天会以机器学习中的一个典型场景为例来讲解,即基于大规模机器学习模型的推荐系统。

他的粉丝

“想你所想”之个性化推荐:实践与优化

作者 于敬 关注 0 他的粉丝 发布于  2017年6月2日

在当今 DT 时代,每天都在产生着海量的数据,移动互联网的兴起更是让我们体验到获取信息是如此的简单和方便。 同时,更多的选择也带来更多的困扰,面对层出不穷的信息和服务带来的困扰,使得个性推荐迅速崛起,并且大放异彩,在金融、电商、视频、资讯、直播、招聘、旅游等各个领域都能看到推荐系统的存在。

他的粉丝

数据驱动在链家网搜索优化与推荐策略中的实践

作者 严言 关注 0 他的粉丝 发布于  2017年4月6日

房产领域天然融合了,房、客、经纪人三方的数据,其相互之间的匹配关系与资源调度也都需要策略进行调优,我们期望通过科学的数据处理与分析,以及合理的实验论证,不断提高线上与线下的策略效果,也给用户带来更好的产品体验。

他的粉丝

播客推荐系统原理解析

作者 Lindsay Vass 关注 0 他的粉丝 ,译者 王庆 关注 1 他的粉丝   发布于  2016年11月23日

Lindsay Vass是2016年1月Insight Data Science远程培训项目的学员,现在是Facebook的数据科学家。在这篇文章中,她描述了如何构建TheSauropod——用于发现新播客的播客推荐库。这些内容最初发表在Lindsay的博客上。

他的粉丝

基于网络购物场景的三种推荐系统原理

作者 Pavel Kordík 关注 0 他的粉丝 ,译者 王庆 关注 1 他的粉丝   发布于  2016年9月9日

本文给出了推荐系统的定义以及应用场景,通过网络营销和购物的场景举例说明了推荐系统存在的重要意义。基于知识的推荐系统、基于内容的推荐系统和基于协同过滤算法的推荐系统是推荐系统的三种基本实现方式。文章的最后解释了协同过滤的三种算法实现方式以及工作原理。

他的粉丝

从第三方数据到第一方数据的技术变革

作者 孔淼 关注 0 他的粉丝 发布于  2016年5月13日

第一期大数据群学习记录,听诸葛io孔淼如何以亲身经历谈从第三方数据到第一方数据的技术变革。

他的粉丝

博客推荐系统: 基于内容相似性的推荐 ( 第二部分)

作者 王庆 关注 1 他的粉丝 发布于  2016年5月11日

本文是博客推荐系统系列文章的第二篇。主要介绍了度量推荐结果相似度的两种方法,包括欧几里德距离和余弦相似法。还详细介绍了计算博客相似度时对博客文章向量化的三个步骤:分词、词频统计、加权。直接在这个向量化后的高维度空间中进行推荐效果不一定是最优的,通过使用SVD或PCA降维算法可以得到更好的推荐效果。文章的最后给出了推荐系统的实际运行效果的例子。

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT