检索-推荐

检索-搜索

1.Annoy（Approximate Nearest Neighbors Oh Yeah）算法是应用于稠密矩阵的最近邻查找算法，Annoy的目标是建立一个数据结构，使得查询一个最近邻的时间是线性的。Annoy通过对输入矩阵建树来获取O(log n)的检索速度

建库：平面内随机取一个点作为种子节点，随机取200个节点判断每个点和哪个种子距离更近，取上述点的中心为最终的中心点，优缺点：树形检索快；参考文献：http://yongyuan.name/blog/ann-search.html

2. LOPQ,数据动态增删灵活,参考:https://www.sohu.com/a/128426626_642762, http://yongyuan.name/blog/opq-and-hnsw.html

3. HNSW, 占用内存大，召回率高，数据动态增删不易,https://www.codercto.com/a/20748.html

4. Google：谷歌搜索的工作原理简述 https://www.cnbc.com/2018/09/17/google-tests-changes-to-its-search-algorithm-how-search-works.html

5. 淘宝搜索模型如何全面实时化？首次应用于双11

6. 电商搜索算法技术的演进

7. 深入搜索引擎原理

推荐

• IBM
  • AI算法与道德规则如何平衡？IBM推出AI推荐技术
• google
  • YouTube视频推荐系统为什么那么强？看了这篇文章你就知道了; https://dl.acm.org/doi/10.1145/3298689.3346997
  • 重读 Youtube 深度学习推荐系统论文，字字珠玑，惊为神文
• facebook -
  • Facebook首次揭秘：超过10亿用户使用的Instagram推荐算法是怎样炼成的;

    • https://venturebeat.com/2019/11/25/facebook-details-the-ai-technology-behind-instagram-explore/

  • 想知道Facebook怎样做推荐？FB开源深度学习推荐模型

• netflix

  • Netflix推荐系统模型的快速线上评估方法——Interleaving

    • https://medium.com/netflix-techblog/interleaving-in-online-experiments-at-netflix-a04ee392ec55
• Instagram
  • Instagram 推荐系统：每秒预测 9000 万个模型是怎么做到的
  • 拥有 10 亿月活跃用户的 Instagram 是怎么设计内容推荐系统的
• 浙大
  • 用户画像：浙大开发算法软件，轻松识别儿童玩手机
• 阿里
  • 淘宝如何拥抱短视频时代？视频推荐算法实战
  • 如何优化大规模推荐？下一代算法技术JTM来了
  • 强化学习用于推荐系统，蚂蚁金服提出生成对抗用户模型
  • 电商搜索算法技术的演进
  • 短视频如何做到千人千面？FM+GBM排序模型深度解析
  • UC研发团队从技术角度聊聊，短视频为何让人停不下来
  • 和北大完成的AAAI2018的论文，提出一种基于注意力机制的用户异构行为序列的建模框架，并将其应用到推荐场景中。作者提出用同一种模型同时预测多种类型的用户行为，由于没有使用RNN,CNN等方法，因此在提高效果的同时，该方法能够有更快的训练速度。ATRank An Attention-Based User Behavior Modeling Framework for Recommendation.pdf
• 腾讯
  • QQ看点日报内容优化——基于BERT的热点召回系统

实战

• 如何动手设计和构建推荐系统

• https://towardsdatascience.com/recommendation-systems-in-the-real-world-51e3948772f3

• 什么是推荐系统？有哪些类型的推荐系统？怎么做推荐系统

• https://medium.com/moosend-engineering-data-science/the-road-to-recommender-systems-d6bb79bd169d

• 利用Python构建一个简单的推荐系统

会议

1. ICML

2. RecSys

3. KDD