收录了 推荐系统架构 频道下的 50 篇内容
本文就第四范式在智能推荐系统架构方面的探索实践,聊一聊在应用架构治理方面提升推荐服务开发维护效率,增强系统灵活性和扩展性的新探索。
腾讯音乐娱乐集团 ( TME ) 目前有四大移动音乐产品:QQ音乐、酷狗音乐、酷我音乐和全民K歌,总月活超8亿。
Netflix的推荐和个性化功能向来精准,前不久,他们公布了自己在这方面的系统架构,提到他们的在线计算、离线计算、机器学习等架构的处理流程。
本篇文章作者会结合多年推荐系统开发的实践经验粗略介绍推荐系统的工程实现,简要说明要将推荐系统很好地落地到产品中需要考虑哪些问题及相应的思路、策略和建议,其中有大量关于设计哲学的思考,希望对从事推荐算法工作或准备入行推荐系统的读者有所帮助。
详细介绍YouTube推荐系统的模型结构和技术细节。
在“数据孤岛”与“隐私保护”的现实问题中,在合理合法的前提下使用数据持续优化效果提供优质服务,是当前推荐系统所面临的巨大挑战和首要任务。
这篇文章我们回顾一篇经典博客,Netflix官方博客介绍的推荐系统架构,虽然文章发布已有六年, 但是现在回看起来我自己还是蛮惊讶的,因为Netflix的推荐系统架构居然到现在依然是主流。
距第六届QCon全球软件开发大会(北京站)2014开幕仅剩一个半月,大会演讲嘉宾已经几近确认完毕。大会的演讲内容在官网:http://www.qconbeijing.com,以及InfoQ微博、微信公众帐号的最新播报:@InfoQ、【infoqchina】不断更新。此次为大家介绍本届大会的推荐系统工程实践专题。
推荐系统近几年来一直十分火热,目前几乎所有的电子商务系统、社交网络,广告推荐,搜索引擎等等,都不同程度的使用了各种形式的推荐系统。想知道电商如何向你发送广告的?想了解社交网络怎么推荐好友的?想自己搭建一个推荐系统?想了解一些算法或架构从而将自己的推荐系统做得更好?InfoQ为你整理了一系列的有关推荐系统的算法文章,以及主要从电商和社交网络方面选取了一些优秀的案例,来看看这些关于推荐系统的优秀文章吧。
推荐可分为以下四个流程,分别是召回、粗排、精排以及重排: 1. 召回是源头,在某种意义上决定着整个推荐的天花板; 2. 粗排是初筛,一般不会上复杂模型; 3. 精排是整个推荐环节的重中之重,在特征和模型上都会做的比较复杂;
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。
本篇文章没有太高深的理论,从推导系统架构的公式开始,揭开系统架构的神秘面纱。
在 ArchSummit 北京大会的现场,InfoQ 有幸采访到了贝壳团队的许燕松,他给我们介绍了推荐系统在房产领域的实践。
结合 Flink SQL 和 Flink 有状态计算能力,我们正在构建下一代通用的基础特征计算统一架构
结合海量用户的接入调度,保证消息推送的实时性及可靠送达、服务高可用、安全监控、容灾等方面的实践经验。
本次分享介绍电商IM消息系统架构的发展历程。
如何实现支撑数十亿的流量的社区架构?如何保证产品7*24小时的不间断服务?如何处理百亿量级数据的存储?如何应对数百个在线服务带来的挑战?这些问题,architecture 是构建大型网络架构所必须考虑的问题;解决这些问题,是一名高级系统架构师的职责所在。
解决特定的问题,本篇文章重点讨论应对系统架构的方法。如今,系统架构在业内还没有定型的固定方法,一般会讲:需求分析、系统分析与设计、UML、领域建模、设计模式、软件工程等,笔者不打算这样讲,这样下来会有厚厚一本书,希望从简洁、可落地实践的角度去阐述系统架构,后面的文章再给出每种架构具体可实践操作的方法。
在 ArchSummit 北京 2019 大会上,李历岷讲师做了《电商IM消息系统架构演进》主题演讲。