收录了 实时推荐 频道下的 50 篇内容
本文讲述推荐系统在模型训练与预估上面临的挑战,并介绍第四范式分布式机器学习框架 GDBT 是如何应对这些工程问题的。
选择 Pulsar 的原因有五点。
eBay的数据处理框架Accelerator提供并行执行和自动组织源代码、输入数据及计算结果的功能。它可以用于数据分析和算法开发,以及实时推荐系统。
本文结合电视猫的业务场景及工程实践经验来详细讲解基于标签的倒排索引算法的原理及工程落地方案细节。
毫无疑问,机器学习提供了各种各样令人兴奋的研究主题,但其中最值得关注的当属个性化和推荐。
现在网上到处都有推荐。亚马逊等主流电子商务网站根据它们的页面属性以各种形式向用户推荐产品。Mint.com之类的财务规划网站为用户提供很多建议,比如向用户推荐他们可能想要办理的信用卡,可以提供更好利率的银行。谷歌根据用户搜索历史记录的信息优化搜索结果,找到相关性更高的结果。
推荐技术在社交APP、电商、音乐视频图片平台、咨讯推送平台等场景中大展身手
近年来,随着大数据与人工智能相关技术的迅速发展,新技术逐步在全社会各行各业得到应用。银行业作为一个高度信息化的行业,首当其冲面临着互联网新技术应用的挑战。民生银行在 2013 年开始布局分布式、大数据及人工智能技术等领域,在全行凤凰计划的牵头下,逐步将新技术与我行发展战略业务实施策略进行了深度融合,为金融科技银行的发展奠定了扎实的基础。
近些年智能手机等终端设备的算力有了显著提升,这些算力足以支持一些中等规模的DNN模型进行推理与训练
本文从政策及技术发展对推荐系统的影响、推荐系统的就业变化、推荐系统的应用场景及交互方式、推荐算法与工程架构、人与推荐系统的有效协同、推荐系统多维度价值体现等6个方面来讲解推荐系统的未来发展
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。
既然HTAP有了分析的能力,它是不是将取代大数据系统呢?大数据的下一站是什么?
对于中小企业来说,拥有一个优质的推荐系统可以让诸多业务问题迎刃而解,然而大部分企业只想着应用 AI,却不知道怎样的推荐系统是适合自身业务的,本文作者是来自荔枝 FM 的数据挖掘工程师兼 AI 工程师,本文他将为读者解答中小企业如果做一套好推荐系统。
借助 Flink 与 Pulsar,BIGO 打造实时消息处理系统
霍格沃兹测试开发学社推出了《Python全栈开发与自动化测试班》。本课程面向开发人员、测试人员与运维人员,课程内容涵盖Python编程语言、人工智能应用、数据分析、自动化办公、平台开发、UI自动化测试、接口测试、性能测试等方向。为大家提供更全面、更深入、
快是企业发展的生存之道,抓住商机,快速反应,面对市场,迅速转型。
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
本文详细介绍多种类型的推荐系统,并分析介绍每种推荐系统的优缺点。
本文介绍手淘如何构建社交关系链。