<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[a936676463的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/a936676463</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; a936676463]]></copyright><item><title><![CDATA[elasticsearch原子写入]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/87634407</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/87634407</guid><author>a936676463</author><pubDate>Mon, 18 Feb 2019 18:02:48 +0800</pubDate><description><![CDATA[转载：https://yq.aliyun.com/articles/581875?spm=a2c4e.11153959.blogcont576223.9.4b5f7ba228akfF

 

目前的Elasticsearch有两个明显的身份，一个是分布式搜索系统，另一个是分布式NoSQL数据库，对于这两种不同的身份，读写语义基本类似，但也有一点差异。



写操作


	实时性：

	搜索系统的I...]]></description><category></category></item><item><title><![CDATA[LVS基本介绍]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/53008811</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/53008811</guid><author>a936676463</author><pubDate>Wed, 02 Nov 2016 15:56:51 +0800</pubDate><description><![CDATA[LVS基本介绍
LVS是Linux Virtual Server的简称，也就是Linux虚拟服务器。这是一个由章文嵩博士发起的一个开源项目，本文介绍了一些关于LVS的基本概念。
作者：佚名来源：网络|2012-02-13 23:29 收藏  分享
一、LVS概念
LVS是Linux Virtual Server的简称，也就是Linux虚拟服务器。这是一个由章文嵩博士发起的一个开源项目，它的]]></description><category></category></item><item><title><![CDATA[nginx关键词]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/53008523</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/53008523</guid><author>a936676463</author><pubDate>Wed, 02 Nov 2016 15:36:23 +0800</pubDate><description><![CDATA[nginx 检活机制
nginx 保活机制
nginx 健康检查]]></description><category></category></item><item><title><![CDATA[学习排序 Learning to Rank 小结]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50455537</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50455537</guid><author>a936676463</author><pubDate>Mon, 04 Jan 2016 13:44:29 +0800</pubDate><description><![CDATA[学习排序（Learning to Rank）
LTR（Learning torank）学习排序是一种监督学习（SupervisedLearning）的排序方法。LTR已经被广泛应用到文本挖掘的很多领域，比如IR中排序返回的文档，推荐系统中的候选产品、用户排序，机器翻译中排序候选翻译结果等等。IR领域传统的排序方法一般通过构造相关度函数，然后按照相关度进行排序。影响相关度的因素很多，比如上面提到的]]></description><category></category></item><item><title><![CDATA[美团推荐系统整体框架与关键工作]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50455410</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50455410</guid><author>a936676463</author><pubDate>Mon, 04 Jan 2016 13:19:11 +0800</pubDate><description><![CDATA[摘要：美团推荐与个性化团队技术经理沈国阳来到优快云在线视频分享平台，为我们深度解析美团本地生活服务推荐的工作经验，并与群友进行互动交流。沈国阳重点介绍了美团推荐系统的架构和特色，以及在排序层面的主要工作。


8月11日晚20:30，受优快云人工智能用户群邀请，美团推荐与个性化团队技术经理沈国阳来到优快云在线视频分享平台，为我们深度解析美团本地生活服务推荐的工作经验，并与群友进行互动交]]></description><category></category></item><item><title><![CDATA[美团推荐算法实践：机器学习重排序模型成亮点]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50455379</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50455379</guid><author>a936676463</author><pubDate>Mon, 04 Jan 2016 13:11:33 +0800</pubDate><description><![CDATA[编者按：在用户意图明确时，我们通常用搜索引擎来解决互联网时代的信息过载问题，但当用户的意图不明确或者很难用清晰的语义表达，搜索引擎就无能为力。此时，借助推荐系统通过用户行为的分析理解其意图，为其推送个性化的结果，便成为一种更好的选择。美团作为国内发展较快的O2O网站，有着大量的用户和丰富的用户行为，这些为推荐系统的应用和优化提供了很好的条件。本文由美团技术团队成员撰写，介绍其推荐系统的构建和优化过]]></description><category></category></item><item><title><![CDATA[程序化点击率预估（CTR）]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50455355</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50455355</guid><author>a936676463</author><pubDate>Mon, 04 Jan 2016 13:06:29 +0800</pubDate><description><![CDATA[指标
广告点击率预估是程序化广告交易框架的非常重要的组件，点击率预估主要有两个层次的指标：
1. 排序指标。排序指标是最基本的指标，它决定了我们有没有能力把最合适的广告找出来去呈现给最合适的用户。这个是变现的基础，从技术上，我们用AUC来度量。
2. 数值指标。数值指标是进一步的指标，是竞价环节进一步优化的基础，一般DSP比较看中这个指标。如果我们对CTR普遍低估，我们出价会相对保守，从而使]]></description><category></category></item><item><title><![CDATA[中国互联网技术联盟正式成立 京东、美团、 58到家现场分享推荐系统核心技术]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50455337</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50455337</guid><author>a936676463</author><pubDate>Mon, 04 Jan 2016 12:57:12 +0800</pubDate><description><![CDATA[首先，58到家数据部数据挖掘组负责人王洪权带来了《58到家的推荐系统与推荐技术》主题演讲，分享了推荐系统的选型经验。他表示个性化推荐并不等同于协调过滤，在实际应用中往往可将多种推荐方式结合使用。它被广泛采用因为其有着不依赖产品属性的优势，但同时面临着数据稀疏性、冷启动带来的问题、挑战。同时他还提出了企业在做推荐时可能会遇到诸多问题，如数据量大且动态变化、推荐的精确性和多样性往往难以兼得等。

]]></description><category></category></item><item><title><![CDATA[Atlas 、cobar]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50442026</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50442026</guid><author>a936676463</author><pubDate>Thu, 31 Dec 2015 15:41:43 +0800</pubDate><description><![CDATA[mysql-proxy是官方提供的mysql中间件产品可以实现负载平衡，读写分离，failover等，但其不支持大数据量的分库分表且性能较差。下面介绍几款能代替其的mysql开源中间件产品，Atlas，cobar，tddl，让我们看看它们各自有些什么优点和新特性吧。


Atlas


Atlas是由 Qihoo 360, Web平台部基础架构团队开发维护的一个基于MySQL协议的数据]]></description><category></category></item><item><title><![CDATA[Scala在挖财的应用实践]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50441865</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50441865</guid><author>a936676463</author><pubDate>Thu, 31 Dec 2015 15:22:28 +0800</pubDate><description><![CDATA[这次分享有三个方面，1是介绍一下挖财当前的开发情况和后端的架构， 2是挖财选择Scala的原因，3是挖财使用Scala相关的技术时碰到的问题以及经验。


第一部分是团队的情况和后端技术的架构。近一年我们的开发团队从50人增长到了现在两百人，公司总人数扩张到600左右，技术人员占的比例跟国内大多互联网创业公司的比例差不多，1/3左右的样子，昨天大会上王天提到Twitter的工程师44%左右在]]></description><category></category></item><item><title><![CDATA[手机淘宝移动端接入网关基础架构演进之路]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50434453</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50434453</guid><author>a936676463</author><pubDate>Wed, 30 Dec 2015 14:29:22 +0800</pubDate><description><![CDATA[移动网络优化是超级App永恒的话题，对于无线电商来说更为重要，网络请求体验跟用户的购买行为息息相关，手机淘宝从过去的HTTP API网关，到2014年升级支持SPDY，2015年双十一自研高性能、全双工、安全的ACCS（阿里云通道服务)扛住双十一战场主要流量，无论是基础架构的演进、网络调优、协议的优化、异地多活、网络调度上都有不少宝贵的经验与大家分享。


ACCS基于无线场景精心设计的双工]]></description><category></category></item><item><title><![CDATA[python与逻辑回归]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50413416</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50413416</guid><author>a936676463</author><pubDate>Sun, 27 Dec 2015 18:15:02 +0800</pubDate><description><![CDATA[机器学习算法与Python实践这个系列主要是参考《机器学习实战》这本书。因为自己想学习Python，然后也想对一些机器学习算法加深下了解，所以就想通过Python来实现几个比较常用的机器学习算法。恰好遇见这本同样定位的书籍，所以就参考这本书的过程来学习了。
       这节学习的是逻辑回归（Logistic Regression），也算进入了比较正统的机器学习算法。啥叫正统呢？我概念里面机器学]]></description><category></category></item><item><title><![CDATA[从 最大似然到EM详解]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50413230</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50413230</guid><author>a936676463</author><pubDate>Sun, 27 Dec 2015 17:24:09 +0800</pubDate><description><![CDATA[机器学习十大算法之一：EM算法。能评得上十大之一，让人听起来觉得挺NB的。什么是NB啊，我们一般说某个人很NB，是因为他能解决一些别人解决不了的问题。神为什么是神，因为神能做很多人做不了的事。那么EM算法能解决什么问题呢？或者说EM算法是因为什么而来到这个世界上，还吸引了那么多世人的目光。
       我希望自己能通俗地把它理解或者说明白，但是，EM这个问题感觉真的不太好用通俗的语言去说明白，]]></description><category></category></item><item><title><![CDATA[【大数据】新机遇：我的分布式机器学习故事]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50389363</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50389363</guid><author>a936676463</author><pubDate>Wed, 23 Dec 2015 19:56:33 +0800</pubDate><description><![CDATA[﻿﻿
前言


从毕业加入Google 开始做分布式机器学习，到后来转战腾讯广告业务，至今已经七年了。我想说说我见到的故事和我自己的实践经历。这段经历给我的感觉是：虽然在验证一个新的并 行算法的正确性的时候，我们可以利用现有框架，尽量快速实现，但是任何一个有价值的机器学习思路，都值得拥有自己独特的架构。所以重点在有一个分布式操作 系统，方便大家开发自己需要的架构(框架)，来支持相应的算法。]]></description><category></category></item><item><title><![CDATA[在MapReduce中实现logistic回归和LOESS]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50363290</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50363290</guid><author>a936676463</author><pubDate>Sun, 20 Dec 2015 10:27:09 +0800</pubDate><description><![CDATA[对MapReduce也用了一段时间，基本的数据处理都已比较熟悉，但目前用的S1的参数和直觉调的参数。这样下去不行啊，果断要开搞机器学习。虽然阿里给我们提供了Xlab，看起来也挺强大的，各种模型都很丰富，但作为一个不造轮子会死的程序猿，还是想实现自己的训练方法和模型，这也有利于后期的提高，所以就找了点资料研究了如何用MapReduce进行机器学习的训练。
MapReduce的入门，可以参考这个文章]]></description><category></category></item><item><title><![CDATA[MapReduce的组合式，迭代式，链式]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50363249</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50363249</guid><author>a936676463</author><pubDate>Sun, 20 Dec 2015 10:11:47 +0800</pubDate><description><![CDATA[1.比如我们输出的mapreduce结果，需要进入下一个mapreduce，该怎么解决？可以使用迭代式 2.那么什么是迭代式? 3.什么是依赖式？ 4.什么是链式？ 5.三种模式各自的应用场景是什么？

1.迭代式mapreduce
        一些复杂的任务难以用一次MapReduce处理完成，需要多次 MapReduce 才能完成任务，例如Pagrank，K-means算法都需要多次]]></description><category></category></item><item><title><![CDATA[搜索与机器学习的两篇相关文章]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50359769</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50359769</guid><author>a936676463</author><pubDate>Sat, 19 Dec 2015 21:23:20 +0800</pubDate><description><![CDATA[http://www.docin.com/p-1280031037.html
http://www.doc88.com/p-3781645801136.html]]></description><category></category></item><item><title><![CDATA[寻找最优参数解：最速下降法，牛顿下降法，阻尼牛顿法，拟牛顿法DFP/BFGS]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50359744</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50359744</guid><author>a936676463</author><pubDate>Sat, 19 Dec 2015 21:18:00 +0800</pubDate><description><![CDATA[机器学习的一个重要组成部分是如何寻找最优参数解。本文就常见寻优方法进行总结，并给出简单python2.7实现，可能文章有点长，大家耐心些。
寻找最优参数解，就是在一块参数区域上，去找到满足约束条件的那组参数。形象描述，比如代价函数是个碗状的，那我们就是去找最底部（代价最小）的那个地方的对应的参数值作为最优解。那么，如何找到那个底部的最优参数解呢，如何由一个初始值，一步一步地接近该最优解呢。寻优方]]></description><category></category></item><item><title><![CDATA[猜你喜欢-----推荐系统原理介绍]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50359274</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50359274</guid><author>a936676463</author><pubDate>Sat, 19 Dec 2015 18:45:36 +0800</pubDate><description><![CDATA[写在正文之前
 
最近在做推荐系统，在项目组内做了一个分享。今天有些时间，就将逻辑梳理一遍，将ppt内容用文字沉淀下来，便于接下来对推荐系统的进一步研究。推荐系统确实是极度复杂，要走的路还很长。
 
A First Glance
 

 
为什么需要推荐系统——信息过载
 
随着互联网行业的井喷式发展，获取信息的方式越来越多，人们从主动获取信息逐渐变成了被动接受信息，信息量也在]]></description><category></category></item><item><title><![CDATA[CTR打分模型中为什么使用逻辑回归]]></title><link>https://blog.youkuaiyun.com/a936676463/article/details/50357642</link><guid>https://blog.youkuaiyun.com/a936676463/article/details/50357642</guid><author>a936676463</author><pubDate>Sat, 19 Dec 2015 11:14:00 +0800</pubDate><description><![CDATA[个人觉得主要原因是广告点击率预测需要基于大规模的训练样本和特征。一般是十亿级别样本和亿级别的特征，甚至更多。逻辑回归由于模型简单，很适合用来学习大数据的问题。另外，逻辑回归做在线学习比较容易，处理速度也快。至于为什么广告需要基于大数据，主要是要记忆很多过去的行为模式。机器学习就是记忆和泛化。数据多了，才有学习和记忆的基础。]]></description><category></category></item></channel></rss>