阅读数:1327 发布于:2020 年 8 月 27 日 10:10

更多 移动、架构、大数据 相关课程,可下载【 极客时间 】App 免费领取 >

评论

发布
暂无评论
  • 结束语 | 成长和进化,技术如此,我们亦如此

    学习之路没有终点,保持探索和进化,才是我们成长的终极密码。

    2020 年 5 月 18 日

  • 推荐算法综述(五)

    近年来社交媒体已经越来越流行,可以从中获得大量丰富多彩的信息的同时,也给我们带来了严重的“信息过载”问题。推荐系统作为缓解信息过载的最有效方法之一,在社交媒体中的作用日趋重要。区别于传统的推荐方法,社交媒体中包含大量的用户产生内容,因此在社交媒体中,通过结合传统的个性化的推荐方法,集成各类新的数据、元数据和清晰的用户关系,产生了各种新的推荐技术。本文总结了推荐系统中的几个关键研究领域,进行综述介绍。本文是推荐算法综述的最后一部分。第一部分主要介绍了推荐算法的主要类型。第二部分,主要涵盖了不同类型的协同过滤算法,突出他们之间的一些细微差别。第三部分详细介绍了基于内容的过滤算法。第四部分主要介绍了混合引荐技术和基于流行度的推荐方法。在这篇文章中,我们在回顾了所有基本的推荐算法之后,介绍了如何选择最合适的推荐算法。

    2016 年 2 月 1 日

  • 预习 02 | 大数据应用发展史:从搜索引擎到人工智能

    从Google在搜索引擎中使用大数据技术,到现在的人工智能应用,伴随技术发展,大数据应用从曲高和寡走到了今天的遍地开花。

    2018 年 11 月 1 日

  • 社会化推荐在人人网的应用

    推荐引擎随着电子商务的蓬勃发展越来越受到业界的关注,再加上web2.0的兴起,推荐引擎在SNS领域也越来越发挥出巨大的潜力。本文介绍了人人网社会化推荐框架,详述了推荐引擎如何帮助用户迅速建立自己的社交圈子,以及给用户提供优质和个性化的资讯和内容。

    2012 年 2 月 27 日

  • 预习 03 | 大数据应用领域:数据驱动一切

    今天我们通过一些大数据典型的应用场景分析,一起看看大数据能做些什么,我们学大数据究竟有什么用,应该关注大数据的哪些方面。

    2018 年 11 月 3 日

  • 基于网络购物场景的三种推荐系统原理

    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。

    2016 年 9 月 8 日

  • 你真的需要个性化推荐系统吗?

    在问“该怎么做”之前,先来回答一下“要不要做”,我先帮你透彻地理解“推荐系统”概念,这样才能轻松做出“适不适合”的判断。

    2018 年 3 月 5 日

  • 从算法到项目应用,如何真正落地机器学习

    机器学习有很多算法,学术上的分类都是公认的。TalkingData内部更多的是看一个算法或者算法的实现是适合处理大数据还是小数据,会根据这个标准分成两类。 我们既要处理互联网公司的超大规模数据,又要支持很多小规模数据的客户需求,所以我们的情况比较复杂。大规模数据处理的算法栈基于Spark,我们做了大量基于Spark的算法创新和优化;小规模数据的处理主要是一些具体客户项目,在于对一些乙方数据的挖掘,因为数据处理中遇到的技术问题不是特别大,所以主要使用基于Python、R的算法库。

    2016 年 10 月 30 日

  • 王守崑:搜索、计算广告、个性化推荐趋于融合

    在电商、互联网广告、移动互联网,推荐系统发挥着越来越大的价值。豆瓣是国内较早涉及推荐算法和推荐系统的公司,在国内技术圈,豆瓣还有明显的工程师驱动的风格。在QCon北京2014大会上,豆瓣首席科学家王守崑将分享《大数据环境下社交图谱和兴趣图谱的融合》的话题。日前,InfoQ对王守崑进行了专访。

    2014 年 3 月 18 日

  • 打造工业级推荐系统(二):无处不在的推荐系统

    导读:个性化推荐系统,简单来说就是根据每个人的偏好推荐他喜欢的物品。互联网发展到现在,推荐系统已经无处不在,在各行各业都得到普遍都应用。

    2019 年 4 月 25 日