阅读数:6239 发布于:2020 年 3 月 21 日 14:00

更多 AI、语言 & 开发、AICon 相关课程,可下载【 极客时间 】App 免费领取 >

评论 (1 条评论)

发布
用户头像
洞悉深刻,获益匪浅!
2020 年 06 月 19 日 17:05
回复
没有更多评论了
  • 前深度学习时代 CTR 预估模型的演化之路:从 LR 到 FFM

    本文是王喆在 AI 前线 开设的原创技术专栏“深度学习 CTR 预估模型实践”的第二篇文章(以下“深度学习 CTR 预估模型实践”简称“深度 CTR 模型”)。专栏第一篇文章回顾:《深度学习CTR预估模型凭什么成为互联网增长的关键?》。重看王喆老师过往精彩文章:《重读 Youtube 深度学习推荐系统论文,字字珠玑,惊为神文》、《YouTube 深度学习推荐系统的十大工程问题》。

    2019 年 3 月 24 日

  • 深度和宽度兼具的融合模型 Wide and Deep

    将传统的“宽模型”和新的“深模型”结合,虽然更多的是一种工程上的创新,但是非常有实用性,模型也容易很理解。

    2018 年 4 月 6 日

  • 搜索引擎架构:如何瞬间完成海量数据检索?

    Google是如何做到在如此短的时间内完成了如此庞大的数据搜索呢?

    2020 年 1 月 22 日

  • Airbnb 基于嵌入技术的实时个性化推荐

    本文介绍单独训练 embedding,然后在把 embedding 当特征输入到 rank model 中。

    2019 年 11 月 14 日

  • 优酷视频基于用户兴趣个性化推荐的挑战和实践

    优酷每天为上亿用户推荐上亿的视频,机器学习模型如何更好的描述与捕捉用户的兴趣成为一大挑战。相比电商、新闻等领域用户对于视频内容的兴趣要更为复杂、感性、微妙、纬度多样,用户的兴趣也会逐渐演进、变化、细分,对于惊喜度(serendipity)与多样性(diversity)的要求也更高。用户的行为数据稀疏、分布偏差大、时域上分布规律也复杂多样。12月9日 ArchSummit北京架构师大会上,优酷数据智能部总监李玉博士,就优酷在《视频推荐中用户兴趣建模、识别的挑战和解法》进行演讲,跟大家分享优酷视频的个性化搜索推荐里跟用户兴趣相关一些问题和思考。

    2018 年 1 月 18 日

  • YouTube 深度学习推荐系统的十大工程问题

    这里是王喆的机器学习笔记 的第三篇文章,这篇文章紧接着上篇文章 《重读 YouTube 深度学习推荐系统论文,字字珠玑,惊为神文》,如果没有读过的同学还是强烈建议翻看一下这篇文章,熟悉文中抛出的问题。

    2019 年 1 月 13 日

  • 11|精准 Top K 检索:搜索结果是怎么进行打分排序的?

    Top K检索的过程是搜索引擎中非常核心的一个环节。今天,我就和你分享,搜索引擎在Top K检索中打分排序的主要方法。

    2020 年 4 月 20 日

  • 多模型融合推荐算法——从原理到实践

    为了实现优秀的推荐效果,众多的推荐算法被提出,并在业界使用。但是其中一类方法非常特殊,我们称为多模型融合算法。融合算法的意思是,将多个推荐算法通过特定的方式组合的方法。融合在推荐系统中扮演着极为重要的作用,本文结合达观数据的实践经验为大家进行系统性的介绍。

    2016 年 4 月 19 日

  • Transformer 在美团搜索排序中的实践

    本文介绍Transformer在美团搜索排序上的实践经验。

    2020 年 4 月 22 日

  • 41 丨数据挖掘实战(3):如何对比特币走势进行预测?

    今天我带你用数据挖掘对比特币的走势进行预测和分析,采用哪种方法比较好呢?

    2019 年 3 月 18 日