提前给大家预告一篇position bias在建模中的处理方式。
IP属地：河南
-
基于深度隐语义topic的用户聚合推荐--part2 推荐结果开篇之前，我们首先回顾一下背景：part1 在19年已经写了，最近打开博客发现part2迟迟没有写，时隔这么久，临近十一终于有时间把第二部分完成了。 在得到item topi...
-
tf_record 的几种生成方法。背景：大家在使用tensorflow 训练model 的时候，如何更好更快的加载数据，tensorflow官方给出了tf record这种格式，这种数据格式无论低级别api/...
-
@hughtan 你说的双塔模型是dssm这样的？我之前的deepmatch 这种模型直接召回需要看当前多路召回的组成，如果当前的召回的组成基本该有的都有了，实际上这种u2i的模型focus的点可以让它直接偏item的explore，不一定要偏消费，直接消费的话其实这种u2i还是比较倾向于出类似content-based && hot 。
深度语义模型在推荐系统中的应用实战（youtube dnn）--part3
背景：上文讲到离线model已经训练好了。接下来就是最重要的部分，在线应用部分拿效果。在个性化推荐算法recall的整体架构中，有比较简单的写kv，在线直接读取kv。如果应用...
-
基于深度隐语义topic的用户聚合推荐--part1 topic的聚合
背景：在个性化推荐系统中，新用户的快速兴趣探索，是推荐系统能否真正抓住用户的真正喜好，并达到留存的关键因素。如何快速兴趣探索，首先要选取一种合适的粒度，业界常用的方法有基于i...
-
Graph Embeding（图嵌入）在短视频推荐系统的落地实战-part2上文主要介绍了deep walk原论文是如何从原始语料获得graph，以及如何从graph，随机游走出item序列。继而通过word2vec或得item 向量。从而完成推荐。...
-
Graph Embeding（图嵌入）在短视频推荐系统的落地实战-part1背景：众所周知，在个性化推荐系统，后端算法核心逻辑，分为召回，排序以及strategy调整，用户访问系统时，受限于排序模型的耗时等因素，不可能将库里所有的item 都过一下排...
-
是点积，我这里写的不太合适，其实fasis server能配置，点积包括cosine我都试过。其实真正的应该是wx+b 还有一个b，不过b影响不大。
深度语义模型在推荐系统中的应用实战（youtube dnn）--part3
背景：上文讲到离线model已经训练好了。接下来就是最重要的部分，在线应用部分拿效果。在个性化推荐算法recall的整体架构中，有比较简单的写kv，在线直接读取kv。如果应用...
-
关于线上serving这一点，我觉得paper在这个上讲的很模糊，可能并不是直接查近邻。Softmax实际上是最后一层输入和w相乘算出概率最大的item，对应到实际使用，最后一层输入即用户的embedding vector，w即item embedding矩阵，所以从公式上看应该是找内积最大，而不是直接用相似度计算topK。不过这个我还没实践过，没有对比具体差异，所以我也没法确定的这么说。。
-
深度语义模型在推荐系统中的应用实战（youtube dnn）--part3
背景：上文讲到离线model已经训练好了。接下来就是最重要的部分，在线应用部分拿效果。在个性化推荐算法recall的整体架构中，有比较简单的写kv，在线直接读取kv。如果应用...
-
深度语义模型在推荐系统中的应用实战（youtube dnn）--part2part2背景：众所周知，数据是最终效果的天花板，而不同model在同一份数据上只不过是代表了不同逼近天花板的程度，有鉴于此，本小节也分两大块展开，将重点带给大家样本，特征的...
-
深度语义模型在推荐系统中的应用实战（youtube dnn）--part1前序：本文是对《 deep neural network for youtube recommendation》这篇paper的落地实战。本文重点不是解读paper，重点是和...
-
强化学习（RL）入门篇Qlearn基于九宫棋游戏的落地实战篇。
1.真正开始看强化学习也是在不久之前，与一位业界大家交流之后，发现了许多新天地，所以尝试着落地了其中的一些小的demo，试图在真正自己基于具体case编程中学习领悟。 2.理...
-
科比球衣退役，mamba out。those times you get up early you work hard, those times you stay up late you work hard,...
-
深度学习在点击率预估中的实战（part 4）part4:前面三部分主要介绍了model server的搭建以及recom server中如何构建client 来访问model服务，第四部分主要讲一下google 论文 ...
-
深度学习在点击率预估中的实战（part 3）part3 正文： 上文说到，tf model server 搭建完成，这时距离真正的应用可以说完事具备只差东风，本节主要讲述概要的第四部分，推荐系统sever对dnn mo...
-
深度学习在点击率预估中的实战（part 2）part2 正文： 上回说到，自己搭建的server，性能不ok，耗时太严重，欲改变tensorflow源码又改不动，走投无路之时，突然在某stackoverflow的某问题...
-
深度学习在点击率预估中的实战（part 1）一：综述 在通用推荐系统中，如何找到用户所需，可以被拆解为两部分，也就是matching 和 ranking，matching的好坏是能在全集中找到用户所需的候选，而rank...
-
纸上得来终觉浅，绝知此事要躬行。<br>个人博客：<a href="http://noahsnail.com" rel="nofollow" target="_blank">http://noahsnail.com</a><br>CSDN博客：<a href="http://blog.csdn.net/quincuntial" rel="nofollow" target="_blank">http://blog.csdn.net/quincuntial</a>
个人介绍
毕业于北京邮电大学模式识别实验室
bat多家工作经验。
免费公开课：个性化推荐算法实战入门必修课：https://www.imooc.com/learn/1029
实战课https://coding.imooc.com/class/297.html
劝君莫惜金缕衣 劝君惜取少年时
bat多家工作经验。
免费公开课：个性化推荐算法实战入门必修课：https://www.imooc.com/learn/1029
实战课https://coding.imooc.com/class/297.html
劝君莫惜金缕衣 劝君惜取少年时