收录了 ltr 频道下的 50 篇内容
OpenSource Connections的一个开发小组近日开源了一款Elasticsearch插件,把LTR(Learning to Rank)带到了Elasticsearch中,从而让开发人员能以更低的门槛在Elasticsearch中通过机器学习来优化自己项目中的搜索排序效果。他们同时还在博客上撰文介绍了该插件的基本原理以及使用方法,本文是该系列文章的第一篇。
本文是关于Elasticsearch和LTR系列文章的第二篇,主要介绍了什么是LTR,它的起源,以及机器学习模型与搜索引擎的关系。
LTR的入门模型就是线性模型,本文以线性模型为例,针对搜索排序的场景,通俗地介绍了机器学习的基本思想和实现步骤。作为LTR系列的第三篇,相信通过本文你已经可以轻松地入门LTR。
在推荐系统中,多目标优化一直是热门话题
我们在Transformer结构中引入了一个个性化模块来表示用户的偏好和对item交互的意图。
经过8年的发展,同时伴随着我们对用户需求和行为的不断认识,1号店的搜索Ranking Model也在朝着精细化方向深化。我们希望通过不断演化的排序模型,既能提升用户满意度,也能提升网站的流量转化率。为了保证11.11期间排序学习算法能够在搜索系统中成功应用,我们在今年Q2就开始了这方面的探索。
爱奇艺海外推荐业务引入TensorFlow Ranking(TFR)框架,并在此基础上进行了研究和改进,显著提升了推荐效果。本文将分享TFR框架在海外推荐业务中的实践和应用。
搜索,是用户获取信息,找答案最方便快捷的方式。一次用户搜索会经历 Query 解析、召回、排序多个环节,排序作为最后整个过程一环,对用户的体验有最直接的影响。
在这篇文章中,简要概述了我们的模型探索之旅以及LinkedIn中人才搜索系统所使用的架构。
Docker公司本月在巴塞罗那举行的DockerCon EU大会上揭开了Docker Universal Control Plane这款产品的面纱。DUCP是在生产过程中部署和管理Dockerized分布式应用程序的商业解决方案,它负责传送Containers as a Service(CaaS)。
SalesforceIQ(原名RelateIQ)的工程总监John Fiedler结合自己过去两年的开发经验,在DockerCon欧洲大会上发表了关于“如何成功地在生产中运用Docker”的演讲。Fiedler建议不要一开始就全面使用Docker相关的所有工具,而应该循序渐进地将服务转移到相应容器中。
2015年11月16~17日,在巴塞罗那举行的欧洲 DockerCon 上,Docker 宣布了一系列新的安全增强。这些增强包括容器镜像的硬件签名、镜像内容扫描和漏洞检测、用户细粒度的访问控制策略等。
最近,New Relic公司为旗下的New Relic软件分析平台发布了一系列新的特性。其中的Service Maps工具能够创建一种可视的实时图,专注于服务的监控。其它特性还包括一个Docker监控工具、一个用于NoSQL数据库的数据库面板,以及一个统一警报平台。通过这些新特性,New Relic公司希望能够减少现代软件架构中的复杂性。
Google云计算近日在其博客中发表声明,旗下Google容器引擎(GKE)正式可用。Google声称GKE可以用于生产环境的使用,且承诺SLA运行时间为99.5%。GKE基于开源项目Kubernetes构建,运行在Google的云计算平台上,由Google的工程师来进行维护。
近日,Ansible公司正式发布了Ansible v2.0。在这个版本中,该公司在努力保持向后兼容现有playbook的同时完成了了不起的重构工作。发布声明中包含多项改进,如块内异常处理,针对不同的任务引入新的执行策略,以及通过模块改进同其他服务的连接。
Docker公司在这个月巴塞罗那举办的DockerCon EU上发布了Docker引擎1.9版本。此次新版本的发布,正如Docker公司在月初所声明的那样,包含了网络和卷管理的变化,Docker Swarm可用于生产环境了,以及对于Docker Compose、Docker Toolbox、和Docker Registry等组件的诸多改进。
IBM近期发布了LinuxOne,一个Linux-Only的硬件一体机,其上可以运行Redhat、SUSE和Ubuntu等Linux发行版,同时还在其上增加了诸如Docker,Chef等各种开源工具。此款产品的目标是大中型企业。
本文介绍图片排序中相关性特征计算用到的一些模型以及attention机制在图片排序特征融合上的实践。
本文从数据处理、用户行为建模到个性化推荐,分享达观数据在个性化推荐系统方面积累的一些经验。
LTR 弱网对抗由于需要解码器的反馈,因此用硬件解码器实现时需要做一些特殊处理。另外,一些硬件解码器对 LTR 的实现不是特别完善,会导致出现解码错误。本文为 QoS 弱网优化系列的第三篇,将为您详解阿里云 RTC QoS 策略中的 LTR 抗弱网原理与实现硬解 LTR