修鹏的专栏

Google Research宣布推出第二代深度学习系统TensorFlow。TensorFlow针对先前的DistBelief的短板有了各方面的加强。任何能够用计算流图形来表达的计算，都可以使用TensorFlow。任何基于梯度的机器学习算法都能够受益于TensorFlow的自动分化（auto-differentiation）。通过灵活的Python接口，要在TensorFlow中表达想法也会很

从负责做个性化push推荐系统已经快一年了。开始做个性化push推荐系统，开始收集了各方面数据，通过各方面的数据表现和经验，来制定我们战略，然后好制定我们战术的打法。 下面我从以下三方面介绍push思考过程和做法： 1、业务分析 2、个性化推荐策略实践和总结 3、个性化push推荐系统架构推荐系统我认为如果要做好，必须要把业务分析清楚，影响因素的排序和

这篇文章主要说下我们在个性化推荐策略的选择、实践和总结，没有太多机器学习方面的东西，就是简简单单说说大概的做法。推荐系统主要方法：协同过滤(Collaborative Filtering) User based collaborative filtering &item based collaborative filtering基于人口统计学得过滤(Demographic Filtering

这里简单个性化push推荐系统架构： 这个架构大家一定见过挺多的了。这里我重点说下混合模型推荐系统这块，上个图吧： 多模型融合和模型基于预发送更新都是基于队列的message来进行update。系统间得调度和流程都是基于message 协议。 简单介绍其中两个简单得协议： 1、push message 发送消息，即发送消息。格式如下： 、kafka 发送通知

先介绍下的咱们目前推荐系统的做的两个大方向：         1、基于自然语言处理的用户短期和长期兴趣+rank 排序。           推荐方法：a)、基于topic&keywrods等信息构建的video profile+用户行为+rank 排序构建的online or offline推荐.                         目前我们的方向是构建：基于topic+