召回11 地理位置召回、作者召回、缓存召回

已于 2024-09-29 21:23:18 修改
阅读量395 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 推荐系统 文章标签： 算法
于 2024-09-29 21:22:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/DEVIL_hym/article/details/142643805

有用但重要性不高

地理位置召回

GeoHash召回：对身边周围的事情感兴趣

GeoHash把经纬度编码成二进制哈希码方便检索。召回只根据经纬度这个地理位置，返回一批优质笔记，完全不考虑用户兴趣，也是因此返回优质笔记，大概率还是会感兴趣，不然通不过精排粗排。

同城召回：用城市作为索引召回

作者召回

关注作者召回

 有交互的作者召回

相似作者召回

感兴趣的作者包括关注的和有交互的

缓存召回

针对进入精排但没有被随机抽到的笔记。缓存召回是储存精排打分高、而且未曝光的笔记。

可以细化规则，例如，想要扶持曝光比较低的笔记，可以根据曝光次数来设置规则，让低曝光笔记在缓存存更长的时间。

总结：

人工智能|推荐系统——工业界的推荐系统之召回
也许有一天我们再相逢 睁开眼睛看清楚 我才是英雄！
05-04 606
离散特征可以用Embedding Layers，连续特征可以归一化、分桶等处理。Swing额外考虑重合的⽤户是否来⾃⼀个⼩圈⼦，两个⽤户重合度⼤，则可能来⾃⼀个⼩圈⼦，权重降低。简单负样本可以是全体物品（考虑非均匀采样打压热门物品）或者Batch内负样本。⽤户兴趣动态变化，⽽物品特征相对稳定，事先存储物品向量𝐛，线上现算⽤户向量𝐚。困难负样本主要考虑被召回，但是被排序淘汰的样本。一个物品的两个向量可以通过一些特征变换得到。⽤索引，离线计算量⼤，线上计算量⼩。正样本的选择需要考虑冷门、热门物品。
目标检测如何计算召回率_目标检测算法之常见评价指标的详细计算方法及代码解析...
weixin_30395665的博客
01-16 1571
前言之前简单介绍过目标检测算法的一些评价标准，地址为为目标检测算法之评价标准和常见数据集盘点。然而这篇文章仅仅只是从概念性的角度来阐述了常见的评价标准如Acc，Precision，Recall，AP等。并没有从源码的角度来分析具体的计算过程，这一篇推文的目的就是结合代码再次详细的解释目标检测算法中的常见评价标准如Precision，Recall，AP，mAP的具体计算过程。评价指标由于在上面那篇推...
【推荐系统】geohash召回
littlemichelle
09-15 394
浮点数编码成字符串占用的字节数较多。给定当前位置：东方明珠 -> 坐标&搜索半径。如何利用genhash去搜索附近的邻居？geohash比经纬度好在哪里？1个浮点数占用存储空间4个字节。查询周边的特定商家：餐厅。
一文看懂推荐系统：召回09：地理位置召回、作者召回、缓存召回
weixin_46838716的博客
08-22 2752
（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了 （2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？ （3）今日推荐系统学习经验：地理、同城、交互关注相似的作者，缓存机制，都是实际用的工业推荐系统的技巧
Geohash应用——附近乡镇信息挖掘（提升检索召回与准确）
FANCHOU的专栏
08-08 1459
Geohash在LBS领域的应用开发很常见，常常应用于查询附近的人或门店等应用程序中。这里不再介绍Geohash的原理，其原理详见：GeoHash核心原理解析。这里主要讲一个Geohash的另一种应用：挖掘热点地名/地址信息，补充实体POI（Point Of interest)信息，辅助扩大检索召回。
推荐系统学习5
qq_45443108的博客
03-08 195
这些笔记当中有哪些符合用户的兴趣，将在排序中进行决定。
（6）工业界推荐系统-小红书推荐场景及内部实践【其他召回通道】
Pain is inevitable but suffering is optional.
05-10 830
系列文章传送门 （1）工业界推荐系统-小红书推荐场景及内部实践【业务指标、链路、ItemCF】 （2）工业界推荐系统-小红书推荐场景及内部实践【UserCF、离线特征处理】 （3）工业界推荐系统-小红书推荐场景及内部实践【矩阵补充、双塔模型】 （4）工业界推荐系统-小红书推荐场景及内部实践【正负样本选择】 （5）工业界推荐系统-小红书推荐场景及内部实践【线上召回和模型更新】 （6）工业界推荐系统-小红书推荐场景及内部实践【其他召回通道】 该系列文章根据小红书搜推算法工程师、团队负责人王树森B站上主讲的《工业
通过智能分块策略、动态分块、多路召回与重排序融合、异构数据关联与溯源提升Ragflow与LangChain提升RAG的召回率
朴拙科技的博客
04-23 683
在大模型AI应用中，召回率（Recall） 指模型从所有相关文档中正确检索到的比例。例如，若知识库中有100篇相关文档，系统检索到80篇，则召回率为80%。• 重排序（Re-Ranking）：使用深度学习模型（如BAAI/bge-reranker）对召回结果二次排序，提升头部结果质量。• 策略组合：结合关键词匹配（如BM25）与语义向量检索（如Embedding），兼顾精确关键词与语义相似性。在RAG（检索增强生成）场景中，高召回率意味着更少的“漏检”，但可能伴随更多不相关结果（需结合精确率平衡）。
wp召回电流
02-08
在IT行业中，"wp召回电流"可能是指WordPress（WP）平台上的一个特定功能或插件，用于管理和控制网站的电力消耗，特别是在服务器层面优化资源使用。然而，由于提供的信息有限，我们将主要围绕“PHP”这一标签展开讨论...
广告召回技术标准化进程
Path
10-07 1516
广告召回本质上是一种数据处理过程，可以使用常见的数据处理模型来分析其特性。
Python计算PASCAL VOC2012数据集AP分类任务指标
qiao1025566574的博客
09-25 1572
Python计算PASCAL VOC2012数据集AP分类任务指标前言TP，TN，FP，FN召回率(Recall)和精确率(Precision)如何画PR曲线AP指标代码致谢 前言 PASCAL VOC2012数据集竞赛，主要有两个任务，分类和分割，计算分割任务指标的代码已经满大街都是了，这个mAP代码应该是比较权威的了。但是计算分类的指标，我是找了很久都没有找到，只好自己写代码计算一下。 事先说明，计算分类任务AP指标的时候，2010年之前的竞赛和之后的竞赛，虽然都用了AP指标，但计算方式不同，之前的那个
离我最近之geohash算法（增加周边邻近编号）
Sun_Rise2011的专栏
01-05 8424
接着上一篇文章：查找附近网点geohash算法及实现 （Java版本） http://blog.youkuaiyun.com/sunrise_2013/article/details/42024813 由于存在部分网点丢失的情况，为了解决边缘问题，需要计算这个块周围的八个格子，补充代码，实现周边8个编码的最近编码。 根据一个geohash值 获取周围8个geohash值的代码。 例如在方格4的左下部分的
数据挖掘 - geohash算法
呵呵
08-21 2586
参加摩拜单车举行的数据单车停放点位置预测数据挖掘竞赛，发现他的起始位置和终止位置是经过geohash算法编码的（相信如美团，百度等等也是如此吧）。经过geohash之后的地理位置是一个字符串，无法直接参与算法的运算。比如某辆单车的起始，终止位置是这样：[wx4snhx, wx4snhj]。一个字符串同时表示该位置的经度，维度；同时geohash表示的是一个比较精确的矩形区域，而不是一个点。 Py
ALS召回算法
点点的博客
12-01 1045
import org.apache.spark.api.java.JavaRDD; import org.apache.spark.api.java.function.Function; import org.apache.spark.ml.evaluation.RegressionEvaluator; import org.apache.spark.ml.recommendation.ALS; ...
geohash精度和误差
xxxx000的专栏
06-18 9503
具体的计算方法： Latitude的范围是：-90 到 +90 Longitude的范围：-180 到 +180 地球参考球体的周长：40075016.68米,极半径：6356908.8米，赤道半径:6377830，平均半径：6371393 geohash的位数是9位数的时候，误差约为4米;geohash的位数是10位数的时候，误差为0.6米 geohash长度...
GeoHash学习笔记
faker7的博客
06-18 1401
核心思想 将二维数据转换为一维数据，使用B树索引；二分法；Peano空间填充曲线。 Base32编码 Base系列：字节编码为 ASCII 中的可见字符；Base32编码将字节编码为 ASCII 中的可见字符将字节切为 5 个一组，每 5 个字节可以重组为 8 个字符。如果不够 5 个字节，那么就在切出的最后一组后边充 0，充够 5 位，然后右边充 =，充够 8组。（最后一组补0，组数不够补=） 例如： 5个字节：00000001 00000011 00000111 00001111 00011111 =
推荐系统之召回策略浅析
李问渔
03-18 3576
写在前面的话 本文为学习笔记，主要整理自参考文献中的文章。 召回 & 排序 目前业界推荐系统普遍采用召回+排序的两阶段模型，如图1.1所示。所谓召回（matching），指的是从全量信息集合中触发尽可能多正确的结果，并将结果返回给排序作为输入。相比搜索系统，推荐系统最大的不同在于用户没有明确的Query输入，即用户自身的需求是不明确的，推荐系统需要做的就是根据用户画像、内容画像等各种信息为...
二叉树题解——将有序数组转换为二叉搜索树【LeetCode】传统解法
最新发布
chao_789的博客
07-04 543
选择任意一个中间位置数字作为根节点，则根节点的下标为 mid=(left+right)/2 和 mid=(left+right+1)/2 两者中随机选择一个，此处的除法为整数除法。选择中间位置右边的数字作为根节点，则根节点的下标为 mid=(left+right+1)/2，此处的除法为整数除法。选择中间位置左边的数字作为根节点，则根节点的下标为 mid=(left+right)/2，此处的除法为整数除法。
可视化图解算法54：没有重复项数字的全排列
weixin_42117918的博客
07-03 640
对于数据结构与算法，我们总结了一套【可视化+图解】方法，依据此方法来解决相关问题，算法变得易于理解，写出来的代码可读性高也不容易出错。
召回FM
04-02
### 召回 FM 算法实现与优化 #### 一、FM算法的核心原理及其在召回中的作用 因子分解机（Factorization Machine, FM）是一种高效的机器学习模型，能够在处理大规模稀疏数据时表现出色[^1]。它的核心优势在于通过引入隐向量来捕捉特征之间的交互关系，从而有效降低时间复杂度并提升预测性能。 具体来说，FM通过对二阶特征组合进行建模，利用低维嵌入空间表示特征间的相互作用[^4]。这种设计使得即使面对海量的稀疏输入数据，也能显著减少计算开销。因此，在推荐系统的召回阶段，FM可以作为一种强大的工具，用于生成高质量的候选集[^5]。 --- #### 二、FM算法在召回场景下的实现流程 为了更好地理解FM如何应用于召回任务，以下是其实现的关键步骤： 1. **实时用户特征提取** 当有新的用户请求到来时，系统会动态获取该用户的上下文信息（如历史行为记录、地理位置等），并将这些信息转化为结构化的数值型特征。 2. **查询预训练好的FM模型** 借助事先训练完成的FM模型参数表，检索出对应于上述每项用户属性所关联的一组潜变量权重向量。随后把这些单独得到的结果汇总起来构成最终代表当前访问者整体偏好的综合表达形式——即所谓的“用户兴趣向量”。 3. **离线物品特征准备** 对待选商品库里的每一个条目预先做好相似操作：依据各自描述字段构建起相应的多维度编码体系；再经由同一套机制映射至固定大小的空间坐标系里去形成各自的“物品向量”。 4. **快速匹配筛选过程** 利用矢量运算规则高效评估两者间亲密度水平，并据此排出优先顺序列表供后续进一步精炼考量之需。 ```python import numpy as np def compute_user_vector(user_features, fm_model_embeddings): """ 计算用户兴趣向量 U。 参数: user_features (list): 用户特征列表。 fm_model_embeddings (dict): 预先训练好的 FM 模型 embedding 字典。 返回: ndarray: 用户兴趣向量 U。 """ u = sum(fm_model_embeddings.get(feature, np.zeros(len(list(fm_model_embeddings.values())[0]))) for feature in user_features) return u def score_items(item_vectors, user_interest_vector): """ 批量打分函数。 参数: item_vectors (ndarray): 物品向量矩阵。 user_interest_vector (ndarray): 用户兴趣向量。 返回: list: 得分 Top-K 的物品 ID 列表。 """ scores = np.dot(item_vectors, user_interest_vector.T).flatten() top_k_indices = np.argsort(-scores)[:K] return [item_ids[i] for i in top_k_indices] # 示例调用 user_features = ['feature1', 'feature2'] fm_model_embeddings = {'feature1': np.array([0.1, 0.2]), 'feature2': np.array([-0.1, 0.3])} u = compute_user_vector(user_features, fm_model_embeddings) items_matrix = np.random.rand(100, 2) # 假设存在 100 个物品 top_k_results = score_items(items_matrix, u) print(top_k_results[:10]) ``` --- #### 三、FM算法的优化策略 尽管FM本身已经具备较高的效率和灵活性，但在实际部署过程中仍可通过多种手段对其进行改进以满足更高层次的需求： - **降维技术的应用** 使用奇异值分解(SVD)或其他压缩方法对原始特征空间加以简化，既能保留重要信息又能加速后续处理速度。 - **分布式架构支持** 将整个流水线划分成多个独立模块分别运行于不同节点之上，借助集群资源共同承担负载压力的同时保持良好的扩展能力[^3]。 - **缓存机制引入** 定期更新热门项目的静态评分结果存储下来以便即时响应高频次重复查询请求，进而缓解在线服务端的压力负担。 - **混合框架搭建** 结合其他先进理念比如深度神经网络(DNNs), 构筑更加复杂的联合体方案兼顾短期效应捕捉长期趋势变化规律等方面的优势互补特性。 --- #### 四、总结 综上所述，FM不仅理论基础扎实而且实战表现优异，特别适合解决那些涉及大量零散分布样本点的问题领域。只要合理规划好各个环节细节安排再加上持续迭代完善措施跟进落实到位的话，则完全可以胜任各类个性化定制化需求场合下的精准推送使命^。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值