YouTube转向Amazon的推荐算法

亚马逊Prime Day新算法曝光,2025年流量分配机制大调整 这一改变将直接影响卖家的广告投放策略,如果卖家仅仅依靠高竞价策略,而未能提升用户转化率,广告的整体曝光量与点击率可能会受到影响。然而,新算法的核心指标正在向用户行为数据倾斜,包括产品的“点击率(CTR)”、“停留时间(Time on Page)”、“深度浏览行为(Deep Browsing)”以及“用户互动频率(Purchase Frequency)”。然而,对于众多跨境卖家而言,如何顺应这一变化,调整运营策略,将成为未来竞争的关键。:利用品牌广告和视频广告,加强与用户的互动,而不仅仅依赖于高竞价策略。 阅读详情

Greg Linden,亚马逊早期推荐系统的主要贡献者,在最近的博文《YouTube uses Amazon's recommendation algorithm》中讨论了YouTube在RecSys 2010上的一篇论文,因为该文报告,目前YouTube的推荐算法主要采用Item-based方法和Ranking方法。
YouTube在WWW 2008上曾经报告过他们使用Random Walk方法解决视频推荐问题的研究结果。我不是很适应这篇文章的表述方式,虽然自问对Random Walk方法多少还是有点了解,但一直没弄清楚他们的方法在变化万千的图方法中到底该归于哪一类,所以没法做什么有意义的讨论,不过我们在其他领域使用图方法总的来说效果还是不错的。现在YouTube报告采用Item-based方法,或许说明他们对Random Walk方法的尝试并不成功。
Greg Linden早在1998年就已经使用Item-based方法解决推荐问题,对这个情况自然会很感兴趣,他在博文中写道:“Item-to-item collaborative filtering is the algorithm Amazon developed back in 1998. Over a decade later, it appears YouTube found a variation of Amazon's algorithm to be the best for their video recommendations.” 我在以前的博文中提到过,Item-Based方法总体来说是一种heurestic方法,对目标的拟合能力有限。但是另一方面,如果我们把推荐看成是一个检索问题,还是能找到很多改进方法的。其实检索领域使用的tf/idf或者bm 25等方法也是一些heurestic方法,但把多个heurestic方法的结果(以及其他的一些特征)做个线性组合,就可以有很好的拟合能力。这是Greg Linden在1998年提交的专利中就提到的方法,YouTube在RecSys 2010上那篇论文也采用了这条思路。所以,Greg Linden最后写道:“What is notable here is that, despite another decade of research on recommender systems, despite all the work in the Netflix Prize, YouTube found that a variant of the old item-to-item collaborative filtering algorithm beat out all others for recommending YouTube videos. ”我想这是让很多研究人员郁闷的一个结果:10多年都白干了?
组合多个heurestic方法的结果,往往已经能够取得很好的性能了。况且Item-based方法还有很多其他的优点:
1)实现简单:复杂的模型在短平快的互联网行业很难施展手脚;
2)实时响应:Item-based方法在线运算的部分代价很低,因而可以实时响应用户的请求,比如用户新添加了几个感兴趣的商品之后,可以马上更新对用户的推荐,这对一些复杂的算法是不现实的。
3)可解释性:用户总是希望自己有最后的决定权,如果系统推荐的商品不满意,得有办法让用户改进它。采用Item-based方法,很容易让用户理解为什么推荐了某个商品,用户通过在兴趣列表里添加或删除商品,可以调整系统的推荐结果。这可能是其他方法最难做到的一点。
上述原因可能是Item-based方法被广泛使用的原因。另一方面,对于Greg Linden提到的“all the work in the Netflix Prize”,我想再次谈谈其中的矩阵分解方法。我个人认为阻碍矩阵分解方法广泛使用的原因有两个:
1)最初的最小化RMSE的矩阵分解方法不适合top-k推荐,这个我在以前的博文中谈过,目前已经有很多解决方案;
2)就像YouTube在WWW 2008的论文中提到的,Netflix只有10来万个视频,而YouTube有四千多万个视频,这对目前得矩阵分解方法是难以接受的,运算消耗太大。
我很奇怪到目前还没有任何论文尝试解决第二个问题,因为类似的问题其实在其他领域(比如分类)已经有若干年的研究了,难道不适用于矩阵分解问题?

(欢迎转载 谢绝篡改 作者:chen_1st 微博:http://t.sina.com.cn/chen1st)

-------------------------------------------
首发于ResysChina.com:
http://www.resyschina.com/2011/02/youtube_uses_amazon_algorithm.html

一文了解Amazon推荐系统20年变迁 近期,IEEE Internet Computing上发表了一篇名为《亚马逊推荐系统二十年》的文章,提纲挈领地回顾了亚马逊推荐系统二十年来的发展,而这二十年的起点,就是基于物品的协同过滤算法,也就是ItemCF算法的发明时间,而文章的作者,也正是当年ItemCF的发明人。作为靠ItemCF算法养家糊口的从业人员,有必要学习一下“祖师爷”的训导。 在翻译的同时,译者根据自己的从业经验和个... 阅读详情

相关推荐

各大推荐引擎资料汇总

最近在做一个推荐的任务,头绪繁多,回头看看同行的工作,希望能有些帮助。 零零碎碎看过好多资料,有些已经忘记了,会慢慢补全。 也欢迎大家留言补充,尤其是关于豆瓣、新浪微博等的系统经验。之前在推荐系统大会上听过土豆、淘宝和点评的报告,收获不少。 欢迎同行加我微博进行交流。 视频类 Netflix:很多方法的融合,策略可以参考我翻译的blog,架构参考小鱼儿师兄的blog。 Hulu

大魁的专栏 1万+

亚马逊推荐算法简介

亚马逊推荐算法简介 众所周知,传统的推荐算法大致分为3类: 协同过滤(Collaborative Filtering) 聚类模型(Cluster Model) 基于搜索的推荐

smfwuxiao的专栏 1万+

亚马逊推荐系统

亚马逊作为一流的电商其平台服务能力在行业中屈指可数,本文介绍了亚马逊的推荐的核心,有很好的借鉴意义

阅读resyschina推荐引擎文章感受二

11.推荐引擎需要有反馈机制,最简单是CTR,如果有YES/NO的反馈更好 12.了解用户关注那些主题哪些人,打开哪些链接,转过什么内容来了解用户兴趣 13.item CF的优点,可以基于用户的每一次行为进行推荐,比如网页/视频,可以推荐相关的,而user CF更多的是首页推荐,第二个优点,可解释性强。 容易导致多样性不足,而user CF主要是基于用户喜好,而用户喜好是多样的,多样性会好一点

xiaopei的博客 8633

亚马逊商品推荐的协同过滤技术

《Amazon.com Recommendations - Item-to-Item Collaborative Filtering》Greg Linden, Brent Smith, and Jeremy York • Amazon.com (2003)

STM32开发者必看:如何在正点原子探索者开发板上快速移植CANopenNode协议栈

本文为STM32开发者提供了在正点原子探索者开发板上快速移植CANopenNode协议栈的实战指南。文章详细介绍了从环境准备、硬件抽象层适配到协议栈初始化与测试的全过程,并分享了PDO配置与性能优化等关键技巧,帮助开发者高效实现CANopen标准化通信。

weixin_29173777的博客 466

阅读resyschina推荐引擎文章感受一

1.推荐目的在于帮助用户做决策,买到更合适的东西,而促销的目的在于销售商品 2.推荐帮助用户找到感兴趣但是没有想到的东西serendipity,惊喜 3.首页上位置对系统的结果有重大影响, 4.推荐系统和搜索的区别在于,推荐系统不需要用户进行搜索,但是需要获取用户行为 5.推荐的重点转移到信息的挖掘和利用上面,比如听音乐的时间,专辑,艺术家、类别,更多的强调context信息,用户家庭,时

xiaopei的博客 8669

YOLOv8中的C2f模块代码详解

在YOLOv8网络结构中,C2f模块(CSP Bottleneck with 2 Convolutions)是一个关键组件,用于实现跨阶段部分聚合

zzzyyy8的博客 3万+

广告推荐算法:COSMO算法与A9算法的对比

COSMO(Common Sense Knowledge for Marketplace Organization)算法是亚马逊在2024年推出的新一代AI驱动算法,基于大语言模型(LLM)和知识图谱技术,旨在通过理解用户意图和场景化需求,提供更个性化的推荐。技术基础:A9依赖传统规则和关键词匹配,而COSMO基于AI模型动态推理。逻辑焦点:A9关注“产品属性匹配”,COSMO强调“用户意图理解”。应用场景:A9适用于标准化商品搜索,COSMO支持自然语言交互和兴趣电商。

直达开源前线,冲冲冲! 2309

weblogic启动异常故障处理(boot认证失败)

root 用户生成的文件属主为 root,WebLogic进程将无权读取,直接导致认证失败。· ⚠️ 密码必须完全一致:第3步 AdminAccount 命令中设置的密码,与第5步所有 boot.properties 文件中 password= 字段的值,必须保证完全一致。如果您的域下配置了受管服务器实例(如 ms_server1、ms_server2 等),必须逐一更新各实例下的免密启动文件,确保实例重启时密码与AdminServer保持一致,否则实例启动会因认证失败而报错。此步骤至关重要,必须执行。

weixin_53389944的博客 224

ADS中使用Momentum进行电源完整性分析示例

这个应用可以帮助工程师用更快的时间使用ADS Momentum完成PDN分析。该应用描述了利用ADS Momentum RF模拟器进行PDN分析的方法,大大缩短了计算时间。 该分析主要应用与高速数字设计。 在此应用中使用了以下ADS特性: ADS设计流程集成(ADFI)。 电磁协同仿真。 Momentum仿真。 仿真流程如下: 在Allegro中创建ADFI文件 要将Alleg...

zb6075_lb的专栏 7015

YouTube转向Amazon的推荐算法 | Resys China

Danny 发布于 2012/03/03  Greg Linden,亚马逊早期推荐系统的主要贡献者,在最近的博文《YouTube uses Amazon’s recommendation algorithm》中讨论了YouTube在RecSys 2010上的一篇论文,因为该文报告,目前YouTube的推荐算法主要采用Item-based方法和Ranking方法。 YouTube

xiaolu的专栏 1342

利用XGBoost实现短期电力负荷预测

本数据集为某地区2009年-2015年的用电负荷,时间片为每分钟这里我们定义了XGB模型作为实例,来进行模型训练,之后我们会对其使用网格搜索找到最优的参数。

优快云 精品推荐 4497

【转】推荐系统原理、工程、大厂(Youtube、BAT、TMB)架构干货分享

本文汇集了关于推荐系统原理、工程、各大长推荐架构、经验相关的纯干货。原理篇整理了内容推荐、协同推荐、举证分解、模型融合、Bandit和深度学习相关的经典方法。工程篇整理了推荐系统常见架构、关键模块和效果验证相关的资源。实战部分整理了Netfix、Hulu、Youtube、Google、Amazon、BAT、TMD等各大互联网公司推荐系统实战相关的经验。 本资源整理自网络,原文地址:https://github.com/gaolinjie/awesome-recommender-systems ...

Toby的博客 887

基于Simulink的四足机器人楼梯攀爬仿真模型

构建一个基于Simulink的四足机器人楼梯攀爬仿真模型,旨在模拟四足机器人在面对楼梯等障碍时的运动控制和稳定性调整。以下是一个详细的步骤指南,帮助你从零开始创建这样一个仿真模型。

xiaoheshang_123的博客 249

044、Edge Impulse的音频分类实战

上周调试一块STM32WBA52开发板,板载PDM麦克风死活采不到有效数据。示波器怼上去,时钟线波形漂亮得像教科书,数据线却像心电图——全是毛刺。折腾半天发现是电源纹波干扰,给麦克风单独加了个LC滤波,世界清净了。这种坑,做音频分类的嵌入式工程师迟早要踩一遍。

2401_88858637的博客 58

在线购买率转化高达60%,Amazon推荐系统是如何做到的?

本文由 「AI前线」原创,原文链接:在线购买率转化高达60%,Amazon推荐系统是如何做到的?作者 | 袁源编辑 | VincentAI 前线导读:根据美国财富杂志的报道, Amazon 的销售额高速增长,得益于它将系统整合进用户购买, 从产品发现到付款的整个流程。根据华尔街分析师的估计, Amazon 的在线推荐系统的购买转化率高达 60%。 那么 Amazon 推荐系统的成功秘诀在哪儿呢,让...

weixin_33874713的博客 808

QLineEdit控件: 实现IP地址输入框(基于编辑信号)

在开发网络应用程序时,经常需要用户输入IP地址。直接使用普通输入框容易导致格式错误,用户体验也较差。本文将手把手教你用Qt的QLineEdit控件实现一个智能IP地址输入框。即使你是刚接触Qt的新手,也能通过本文理解核心实现原理。

u011186532的专栏 652

推荐系统资料

转来一篇,本来想只转载地址的,可怕内容看起来不方便,作者也没说不可以转过来,于是把内容也转帖过来。来自:http://blog.youkuaiyun.com/lzt1983/article/details/7914536,有兴趣的可以到原博客去看看,真是辛苦博主了。 最近在做一个推荐的任务,头绪繁多,回头看看同行的工作,希望能有些帮助。 零零碎碎看过好多资料,有些已经忘记了,会慢慢补全

SophieZhou的专栏 1091

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

推荐系统分享

这个资料分享主要分享的都是非学术的Paper,都来自商业公司,Google, YouTube, Amazon, LinkedIn等等。 我个人非常喜欢这些文章,基本上,这些文章描述的都是在系统中的实际能工作的东西。 这个是Google的一篇论文http://t.cn/zl0zxPZ这个里面有很多有意思的想法。 推荐的结果是三个算法的融合,即MinHash, PLSI, c...

IPJMC的专栏 291

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

浅入浅出之《Two Decades of Recommender Systems at Amazon.com》

本文回顾了Amazon基于商品的协同过滤推荐系统20年的发展历程。文章阐述了该算法从1998年首创以来的技术演进,包括从基于用户转向基于商品的创新、统计建模改进、时间维度处理等核心突破。研究分析了推荐系统面临的数据偏差、冷启动、时间因素等挑战,展示了该算法在可扩展性、推荐质量等方面的优势。实验结果表明,该算法至今仍保持竞争力,被广泛应用于各大平台。文章指出推荐系统的本质是发现价值,未来应向更智能的交互式服务发展。该研究为推荐系统领域提供了重要的历史参考和技术洞见。

ttt606_的博客 1249

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

推荐系统的资料分享

推荐系统的资料分享  (2012-10-08 16:08:37) 转载▼   分类: 推荐相关内容 这个资料分享主要分享的都是非学术的Paper,都来自商业公司,Google, YouTube, Amazon, LinkedIn等等。 我个人非常喜欢这些文章,基本上,这些文章描述的都是在系统中的实际能工作的东西。

Cloud-Datacenter-Renewable Energy-Big Data-Model 658

推荐系统数据统计

最好通过电子版和网络查找,Ctrl + F,尽量不要用肉眼去找,效率极低。 Netflix:80% 被观看的电影来自推荐 [1] Gomez-Uribe C A, Hunt N. The Netflix recommender system: Algorithms, business value, and innovation[J]. ACM Transactions on Management ...

s1162276945的博客 844

亚马逊推荐系统算法详解/贪心学院

首先我们需要定义一下什么是推荐系统? 推荐系统其实就是一种信息处理的系统,用来预测一个用户对某个东西是不是很喜欢,如果喜欢的话,喜欢的程度是什么样的,是非常喜欢,还是一般般喜欢,还是一点都不喜欢。 推荐系统用的领域肯定很多,比如:现在的今日头条给用户推荐个性化的新闻;优酷土豆 YouTube 给用户推荐视频;虾米音乐给用户推荐喜欢的音乐,当然还有淘宝、京东商城推荐图书、食品、衣服还有其他各种商...

weixin_30919235的博客 3632
上一篇: 2011推荐系统论坛游记:爱的反义词不是恨
下一篇: 为什么不能通过优化RMSE得到Top-K Recommendations?
overstack
博客等级 码龄14年 115粉丝 55原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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