推荐算法
收录了 推荐算法 频道下的 50 篇内容
打造工业级推荐系统（十一）：基于内容的推荐算法
本文介绍基于内容的推荐算法。
打造工业级推荐系统（九）：从零开始入门推荐算法工程师
如果大家愿意将来从事推荐算法的工作，但是不知道需要学什么才可以更好地入门，那么你一定要读读这篇文章。
打造工业级推荐系统（一）：推荐算法工程师的成长之道
本文是作者计划的一系列文章中的一篇。后面的文章将涉及到推荐系统的基本介绍、冷启动、商业价值、工程实现、评估等方方面面。
开源跨平台推荐算法框架 LibRec：包含 70 余例推荐算法
本文细致的总结了LibRec项目中整个模块的规划以及每一个模块的功能构成，并最终演示了基于当前项目的模块进行推荐的完整代码。在整个模块的设计过程中，以易用，高内聚，低耦合为目标进行设计，力求使得LibRec项目可以成为一个高扩展的算法框架。从最终的执行结果来看，目前LibRec的结构完全满足了当初进行2.0版本研发时的所有需求。同时，在LibRec优良的模块化基础上，其内置的算法的丰富性，配置的灵活性，框架的易用性以及计算流程的清晰性使得LibRec成为推荐领域内不可多得的推荐平台。
一次推荐算法的普及性讨论
在这个相对比较偏学术的讨论中，作者和百度的前技术委员会主席廖若雪就推荐算法的基本概念，算法和架构、策略、机器学习之间的关系，以及算法应用的几点经验进行了沟通，希望能对想对算法有所了解的同学有所帮助。
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。
推荐算法综述（二）
推荐系统在各种系统中广泛使用，推荐算法则是其中最核心的技术点，InfoQ接下来将会策划系列文章来为读者深入介绍。推荐算法综述分文五个部分，本文我们将会详细介绍这些算法的区别，让你能够深入理解他们的工作原理。
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。
推荐算法综述（一）
推荐系统在各种系统中广泛使用，推荐算法则是其中最核心的技术点，InfoQ接下来将会策划系列文章来为读者深入介绍。推荐算法综述分文五个部分，本文作为第一篇，将会简要介绍推荐系统算法的主要种类。其中包括算法的简要描述、典型的输入、不同的细分类型以及其优点和缺点。
微众银行在联邦推荐算法上的探索及应用
本文介绍微众银行在联邦推荐算法上的探索及应用。
推荐算法综述（四）
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第四部分。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。在本文中，我们将介绍混合引荐技术，它是建立在我们前面介绍过的算法之上的。我们也将简要讨论针对协同过滤算法和基于内容的过滤方法中存在的不足，可以如何通过融入item的流行度来缓解这些局限性。
阿里 1688 直播推荐算法实践
近年来，电商呈现内容化的趋势，以直播和短视频为首，内容化提升了用户体验，增加了平台收益。
飞猪旅行推荐算法应用实践
本文从旅行行业的典型场景切入，提炼出了飞猪在用户理解领域的普适经验。
微博推荐算法实践与机器学习平台演进
微博机器学习平台的演进过程，以及当前架构如何更好的发挥算法的优势，为业务产生更多有价值的支撑。
YouTube 推荐算法原理
近日，在谷歌刊登的一篇论文中，YouTube工程师详细地分析了YouTube推荐算法的内部工作原理。该论文在上周于波士顿举行的第十次ACM大会上进行了展示。本文将分析YouTube如何使用深度学习操作一个业内最大最复杂的推荐系统。
饿了么研发总监马尧：外卖推荐算法中有哪些机制与手段？
本文主要涉及饿了么外卖推荐业务形态，搜索推荐平台的目标与定位，以及外卖推荐算法中的一些市场机制和调控手段。
图推荐算法在 E&E 问题上的应用
本文围绕以图为基础衍生的一类推荐算法原理和应用，以及 E&E 问题的一些处理方法。
Pinterest 是如何打造出硅谷最成功的推荐算法的？
揭秘Pinterest内部强大的推荐工具
Attention 机制在推荐算法中的应用 | 深度兴趣网络 (DIN) 算法介绍及浅析
这两年新提出的一系列 CTR 预估算法都能看到 attention 的影子，足以见得 attention 逐渐成为 CTR 预估算法的一个标配。
推荐算法综述（三）
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。这是推荐算法综述的第三部分。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。在本文中，主要详细介绍基于内容的过滤算法的工作原理，以及它的优点和缺点，从而让读者对其有更深的理解。
京公网安备 11010502039052号 | 产品资质
