阅读数:5494 发布于:2016 年 3 月 28 日 17:42

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

评论

发布
暂无评论
  • KDD Cup 2020 Debiasing 比赛冠军技术方案及在美团广告的实践

    本文将介绍Debiasing赛题的技术方案,以及团队在广告业务中偏差消除的应用与研究。

    2020 年 9 月 2 日

  • 熵、信息增益和卡方:如何寻找关键特征?

    无论是使用何种统计度量,我们都可以计算相应的数值、排序、并得到排名靠前的若干特征。

    2019 年 2 月 18 日

  • 从石器到青铜:Club Factory 推荐系统设计及演进之路

    推荐的价值在于挖掘用户潜在购买需求,缩短用户到商品的距离,提升用户的购物体验。本文介绍了Club Factory设计推荐系统的发展历史。

    2019 年 7 月 26 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

  • 如何评价推荐系统的结果质量?

    本文是对推荐系统评测标准制定经验总结。

    2020 年 4 月 6 日

  • 01|深度学习推荐系统的经典技术架构长啥样?

    深度学习推荐系统的架构和传统推荐系统有什么区别?深度学习到底对推荐系统有着怎样的影响?

    2020 年 9 月 21 日

  • 基于距离的学习:聚类与度量学习

    聚类分析实际上是一种分组方式,距离在聚类中发挥着重要作用。今天我就以k均值算法为例,和你聊聊基于距离的学习方法。

    2018 年 7 月 19 日

  • 17 丨决策树(上):要不要去打篮球?决策树来告诉你

    在现实生活中,我们会遇到各种选择,都是基于以往的经验来做判断,它实际上是一个树状图,这就是决策树。

    2019 年 1 月 21 日

  • 个性推荐理论与实践(上篇)

    本文主要讲述了针对于推荐系统的衡量算法效果与Word2Vec的尝试。

    2019 年 8 月 22 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