智能推荐系统开发中的十个关键注意点

智能推荐中的注意力机制应用实践 为什么传统推荐模型会“过时”?注意力机制如何让推荐系统“更懂用户”?我们将覆盖注意力机制的基础原理、推荐系统中的经典应用模型(如DIN)、实战代码实现,以及电商/视频等场景的落地经验。本文将按照“问题引出→原理拆解→代码实战→场景落地”的逻辑展开:先通过“用户吐槽推荐不准”的现象,引出传统模型的局限性;再用生活化比喻解释注意力机制的核心;接着用数学公式和代码演示如何计算“关注度分数”;最后通过电商推荐的实际案例,展示注意力机制如何提升效果。用户行为序列注意力权重。 阅读详情

作者:陈运文 博士,盛大智能推荐团队负责人

亚马逊的CEO Jeff Bezos曾经说过,他的梦想是“如果我有100万个用户,我就要为他们做100万个亚马逊网站”。智能推荐系统承载的就是这个梦想,即通过数据挖掘技 术,为每一个用户实现个性化的推荐结果,让每个用户更便捷的获取信息。为了实现这个梦想,过去十余年间,无数顶尖技术专家和工程师投身于推荐算法和技术的 研究与应用中,很多优秀的方法被提出,很多技术难题被攻克。在今天的互联网应用中,越来越多“聪明”的推荐系统被开发出来,并被广大用户信赖和使用。

智能推荐系统充分运用了机器学习、数据挖掘、搜索引擎、自然语言处理等相关领域的技术。但推荐系统并不神秘,事实上,推荐在我们身边无处不在。对广 大软件开发工程师们来说,能够投身于推荐系统的研发,是一件既有趣又充满挑战的工作。想要成功的开发一套效果良好的推荐系统,有一系列值得重视的关键点, 文本对此进行了总结,具体列举如下。

1 充分运用显式\隐式反馈数据

数据是一切推荐系统的基础。良好的推荐效果一定是来自于丰富而准确的数据。这些数据既包括了用户(user)和待推荐物品(item)相关的基础信 息(注:item和具体的推荐场景相关,可以是商品、影片、音乐、新闻等,如果是进行好友推荐,那么item也可以是user本身),另一方面,user 和item之间在网站或应用中发生的用户行为和关系数据也非常重要。因为这些用户行为和关系数据能真实的反映每个用户的偏好和习惯。采集这些基础数据,并 做好清洗和预处理,是整个推荐系统的基石。

用户行为数据,又可细分为两部分:显式反馈数据(explicit feedbacks)和隐式反馈(implicit feedbacks)数据。显式反馈是指能明确表达用户好恶的行为数据,例如用户对某商品的购买、收-藏、评分等数据。与之相反,隐式反馈数据是指无法直 接体现用户偏好的行为,例如用户在网站中的点击、浏览、停留、跳转、关闭等行为。通过挖掘显式反馈数据能明确把握用户的偏好,但在很多应用中,显式反馈数 据通常很稀疏,导致对用户偏好的挖掘无法深入。这个问题在一些刚上线的应用、或者偏冷门的物品或用户身上反映尤其明显。在这种情况下,用户的隐式反馈数据 就显得尤为重要。因为虽然用户在网站中的点击等行为很庞杂,但其中蕴藏了大量信息。在2006-2008年间进行的国际著名推荐竞赛Netflix Prize中,冠军队成员Yehuda Koren发现将用户租用影片的记录,转换为特征向量注入奇异值分解算法(SVD)用于影响用户兴趣向量,能够很好的提高推荐准确率。

基础数据的预处理对推荐效果的提升也非常有帮助。以2012年的ACM KDD-Cup(国际数据挖掘竞赛)为例,训练样本中,负样本的数量居然达到了总样本数量的92.82%,但是通过仔细分析这些负样本,发现其中有大量样 本存在噪音,通过一系列的Session分析和筛选方法,从中保留了11.2%的样本进行后续推荐挖掘,不仅成功提高了推荐精度,而且大大减少了运算量。 所以充分利用各类显式和隐式数据,并做好数据的预处理,保证输入数据的质量,是第一个关键点。

2 多种方法的融合

经过多年的发展,很多种推荐算法被提出来。常见的推荐方法,从大类上分,有基于历史行为(Memory-based)的方法、基于模型 (Model-based)的方法、基于内容(Content-based)方法等。在Memory-based方法这个方向,又可进一步细分为基于物品 的协同过滤算法(item-based collaborative filtering)、基于用户的协同过滤算法(user-based collaborative filtering)、关联规则(association rule)等;Model-based方法常用的包括Random Walk、pLSA、SVD、SVD++等。每种方法在具体实施时,针对不同的问题又有很多不同的实现方案,例如在基于物品的协同过滤算法(item- based collaborative filtering)中,item之间相似度计算公式(Similarity)也可能有很多很多种变化。

在系统推荐的结果以外,还有一类传统的方式是通过专家进行推荐。这些专家可以是一些有经验的编辑,也可以是社区中意见领袖等。这些领域专家推荐的结果,在很多实际应用中,可以作为算法推荐结果的有益补充。

事实上,在实践中并没有任何一种方法在实践中始终占据压倒性的优势,它们各有千秋,分别有其各自合适的应用场景,因此因地制宜根据不同的场景,挑选 不同的方法,并有机的结合起来,能让推荐效果得到极大的提升。常见的融合方法包括Restricted Boltzmann Machines(RBM), Gradient Boosted Decision Trees(GBDT),Logistic Regression(LR)等,这方面历次推荐竞赛中有很多相关文章,可以看到为了提升推荐效果,将不同算法的结果能够取长补短,各自发挥价值,是极为 有效的。

3 重视时间因素

用户的行为是存在很强的时间规律的。例如通常人们中午会吃饭、周末会休假、过年会回家团圆等等。用户在各个应用中的行为也同样有规律可以挖掘,用好时间这个特征,在很多推荐场景下,会对推荐效果的提升有很大的帮助。

用户行为日志中,行为发生的时间戳(timestamp)通常都会被记录。这个时间戳能从user和item两方面来进行分析。从user的角度来 看:user的兴趣往往会随着时间不断变化,几年前的兴趣和当前的兴趣可能是不同的;另一方面,user的行为也存在一定的规律,例如工作日的行为是类似 的,而在周末里user的行为也会变化,甚至在同一天中,上午和晚上的user行为和偏好也会有各种不同的规律。

从item的角度来看,流行度随着时间会有规律性的波动,通过持续挖掘user与item之间的行为在一段时间内的记录,往往能够发掘出这种规律,并进而用于指导我们预测user在后续某个时刻的行为,提高推荐的准确率。

时间因素的一些常见处理方案包括:1)在协同过滤计算user或者item相似度的公式中,增加时间因子,发挥相近时间的作用;2)将时间离散映射 到自然月、周、日、小时等时间片中,并分别进行统计计算,并进而将累积的数据用于特定的回归模型(Regression models)中,指导结果预测;3)将时间作为线性连续变量,用于训练模型参数等。

4 特定推荐场景需要使用地域特征

有一些推荐场景是和用户所处地域密切相关的,尤其对一些LBS、O2O的应用来说,一旦离开地域这个特征,那么智能推荐的效果根本就无从谈起。例如 当需要推荐一个餐馆时,如果不考虑用户当前所在的位置,那么即使某餐馆和当前用户的口味匹配度非常高,但远在天边,这个推荐也是毫无价值的。

目前推荐系统在地域特征的使用还停留在较为原始的状态,通常需要让用户手工筛选推荐结果所在的区域(如省、市、区、县等),或者指定若干半径范围内 的结果。这种方式不仅操作繁琐,而且缺乏对地域信息的细致分析。例如地点A和B的地图直线距离虽然较远,但两点间有地铁直接往返,而另一地点C虽然地图直 线距离A很近,但两点间需要绕行交通不便。另外从用户角度来说,每天活动的地域总是存在规律的,例如工作日白天,往往活动区域在工作地点附近,夜晚的时间 会在家附近等。

在基于地理位置信息的应用中,需要更聪明的挖掘用户对地域的偏好(而且这种偏好往往和时间紧密联系),例如在基于用户的协同过滤中,将类似地域用户 活跃用户的行为,作为推荐的依据,即认为活动地域相似的用户,可能存在一定相同的偏好。或者使用基于物品的协同过滤思想,在计算item之间相似度时引入 地域特征。在Latent Factor Model中,将用户的活动地域作为隐式反馈来作用于用户特征向量等,都是可行的方案。

手机是进行基于地域信息推荐的最好载体,随着移动互联网应用越来越普及,期待未来有更多基于地域信息的推荐产品的问世。

5 SNS关系的使用

社交网络近年来得到了突飞猛进的发展,用户不再是单纯的内容接收者,而是能够主动的建立用户之间的关系。这些关系,可以划分为显式关系 (explicit relations)和隐式关系(implicit relations)。显式关系指的是用户已明确建立的相关关系,例如在微博中关注/被关注某人等,或者在社区中加为好友等。而隐式关系指用户之间存在一 些互动行为,但这些行为不能明确指示用户间的关系。例如用户在微博中点击、评论、转发另一个用户的帖子,如果在网络游戏世界中另一个玩家交谈,或者PK 等。隐式关系虽然并不如显式关系那样明确,但比显式关系要丰富的多。所以在一些对推荐精度要求很高的应用场景下,显式关系需要发挥主要作用;而对一些需要 提高推荐召回率和推荐结果多样性的场景下,尤其是当显式关系面临数据稀疏性的问题时(注:这个问题在推荐应用中普遍存在),充分利用隐式关系能起到非常好 的效果。以今年的KDD-Cup竞赛为例,在腾讯微博的好友推荐系统上,我们通过在SVD++模型中增加隐式关系,处理数据稀疏性的问题,能够将推荐准确 率提升5.5%

此外,移动互联网的普及,让SNS关系使用起来更加便捷,而且加上地域信息,产生了像微信这样新颖的移动应用,而SNS关系和地域特征的结合使用,一定会让推荐系统也产生出更受欢迎的结果。

6 缓解冷启动问题

冷启动是推荐系统最为悠久的一个问题,伴随推荐系统诞生至今。这是因为推荐系统效果提升的关键天然在于数据,而当新用户、或新物品等刚上线时,由于积累的数据极为稀少,大量方法在最初这段时间难以生效。

冷启动问题又可细分为user冷启动或者item的冷启动。user冷启动在一些场景普遍存在,例如在一些短视频网站,由于user没有登录浏览的 习惯,因此大量来访用户都是陌生的cookie用户,如何对这些user进行推荐是至关重要的。常见的思路包括:1)采用热门推荐(排行榜)结果。虽然排 行榜是一个看似简单的方法,但设计良好、的排行榜并不如想象中简单,排行榜如何计算,基于哪些统计特征,都是值得深究的。2)充分利用有限的用户信息来迅 速捕捉偏好。例如用户的来源ip、访问时间、最初点击的几个结果的属性,都需要被充分运用。3)为新用户设置简单的口味测试,根据用户提交的答案主动收集 用户偏好。常见的方案包括为提供一些预先精心设计的选项,通过用户的选择迅速建立用户模型。在设计选项时,一些注意点包括:A)必须要有代表性的选 项;B)选项需要相对热门,或有一定的用户知名度;C)选项之间要有区分度。

item冷启动的问题在一些item频繁更新的应用中普遍存在,例如一些电子商务网站会不断上架新商品,这些新商品由于缺少点击,很难进行推荐。但 基于内容的方法(content-based)往往此时能发挥关键作用。根据item的类别、标签、关键词等初始特征,能计算item之间的关联度。尽管 很多对比评测表明,基于内容的推荐算法往往推荐精度不够高,但这种方法在处理item冷启动时有先天的优势,所以在工程实践中可以注意使用。

7 推荐结果的展现方式不可忽略

推荐系统绝不仅仅局限于推荐算法和架构,而是一个完整的系统。其中推荐结果的展现方案是这个系统中极为重要的一环,开发一个推荐系统时,这个环节往往被工程师们忽略,但推荐结果最终呈现给用户的位置、提供哪些信息,往往起到举足轻重的作用。

这里需要注意的关键点包括:1)不同item的推荐,由于用户关注点不同,展现的方案也需要不同,要尽量凸显出用户的关注重点。例如推荐一个服饰 时,缩略图对用户的点击意愿起到极为重要的作用;而推荐服务类商品时(例如旅游线路),天数、价格、是否优惠等信息,才是用户关注的重点;2)推荐展示的 场景和位置,需要符合用户的行为习惯。求职社交网站LinkedIn的对比实验表明,在用户申请完一个工作的之前或之后分别展示推荐结果,前者的点击率是 后者的10倍。在网页正中或右侧边栏放置推荐结果,点击率也相差5倍之多。

在展现方式中,另一个极为重要的方面是提供推荐理由。因为通过展现推荐理由,能够赢得用户的信任,进而让用户更容易接受推荐给他的结果。例如直接为 A用户给出一个猜她喜欢的视频V,可能很难信任。但如果同时给出推荐理由:“和你口味相似的B和C都收-藏了该视频”,那么能很好的提升用户的信任感。另 外,推荐理由本身也是对推荐结果的一个良好的补充描述。例如推荐一本小说,按传统方案只提供小说名称、封面,读者很难获取足够的信息,但如果提供推荐理 由:“本周销售量最多”或者“起点白金作家XXX最新作品”,对提升推荐成功率有很大的帮助。

合适的推荐结果的展示方案,需要技术、产品、UI、UED等充分结合,对用户需求和用户心里有细致入微的把握,往往能起到事半功倍的效果。

8 明确优化目标和评估手段

开发一个初步可用的推荐系统并不难,难的是如何在原有推荐效果的基础上精益求精,更进一步。优化目标和评估手段的确定是解决这个问题的关键所在。首 先需要确定系统的优化目标。例如有些推荐系统追求推荐结果的点击率;有些则还考虑点击后的实际转化或成交效果;有些推荐场景更关注推荐结果的新颖性,即希 望更多的将本站新收录的物品展现给用户;另一些则更重视结果的多样性。

在推荐系统的目标明确后,随之而来的问题是,如何量化的评价这些推荐目标?传统的评分预测问题通常使用均方根误差(RMSE)或者平均绝对误差 (MAE)等计算方法。但在实际应用中Top-N推荐更为常见,这种场景下NDCG(Normalized Discounted Cumulative Gain)或MAP(Mean Average Precision)是普遍使用的衡量方法。

由于推荐系统经常借鉴相关领域的一些技术,如广告学或搜索系统,因此计算广告学中的pCTR或者搜索系统的Precision-Recall曲线等也经常用于评估推荐效果的优劣。有些系统甚至直接将推荐系统转化为一个机器学习问题,评估手段也随之转化为对应问题的方法。

实际系统中,往往是多个指标(点击率、准确率、覆盖率、多样性、新颖性等)共同作用,并且按照产品的实际需求,加权折衷后进行结果评测。测试方法也 有线上A/B Testing以及人工评测等。无论采用何种方法,一个成熟的推荐系统一定要建立在明确的优化目标和评测系统之上,它们像一把尺子,丈量着推荐系统每次前 进的脚步。

9 时效性问题

正所谓“天下武功,唯快不破”,推荐系统要能及时捕捉用户需求的变化,反馈到模型中,并及时响应用户请求,实时提供在线服务。因为用户是挑剔的、也是缺乏耐心的,新用户尤其如此,如果一个推荐系统无法在较短的时间内调整结果以迎合用户,那么用户会迅速流失。

推荐系统的时效性首先体现在能灵敏捕捉用户反馈,这些反馈既包括正反馈(用户喜爱),也需要收集负反馈(用户不感兴趣的)。很多推荐系统往往忽略了负反馈样本的收集,而事实上,有效的收集用户的正负反馈,并进行对比训练,能够更全面准确的掌握用户偏好。

在用户反馈收集的基础上,还需要能够及时更新后台的推荐模型。很多推荐系统后端的用户模型和物品模型,都需要通过大量用户日志来进行挖掘运算,计算 开销大,所以一个设计良好的推荐系统,需要将离线挖掘和在线服务系统进行有机的结合。离线系统可以设计得比较“厚”,即算法复杂,模型庞大,更新缓慢。而 在线系统则倾向于设计得轻巧灵活,能及时将捕获的正负反馈信息传递进来,修改在线模型,捕获用户短期兴趣变化,从而快速修正推荐结果。

10 大数据挖掘和性能优化

大数据挖掘是近年来的研究热点,得益于分布式计算技术的广泛使用,系统吞吐的数据规模越来越大,离线数据挖掘的能力也越来越强,处理大量用户行为数 据变得越来越便捷。但在推荐挖掘中,系统能够提供的运算能力和实际的运算需求之间,始终存在矛盾,所以如果有效合理的分配运算资源十分重要。这里需要在挖 掘深度上进行合理的分配。对重点的用户或者item,可以分配更多的资源,进行更深入的挖掘。对基础数据也是如此,高质量的数据可以用于更详细的分析,而 低价值的数据可能只需要简化处理流程。

后端的离线系统往往还需要定期更新模型,这里模型的全量或增量更新方式也是一个值得关注的点。以用户模型为例,并非所有用户的个性化模型都需要频繁 更新,活跃的、高贡献值的用户,应该需要更频繁的予以更新。对item也类似,热门item和冷门item更新技术的周期可以不同。

在大数据推荐系统的性能优化方面,还有一些常用的技巧,例如倒排索引的使用,cache机制的充分运用等。

总结

智能推荐系统是一个系统工程,依赖数据、架构、算法、人机交互等环节的有机结合,形成合力。本文列举的十个关键点,是作者在开发推荐系统中积累的一 些经验与心得,希望能抛砖引玉,与大家共同探讨。我们开发推荐系统的目标,是通过个性化数据挖掘技术,将“千人一面”变为“千人千面”,因为大千世界、芸 芸众生,原本就是多姿多彩的,希望智能推荐系统能让这个世界变得更人性化、更丰富、更美好。

惊爆揭秘!异步启动永磁同步电机,调速核心技术大起底 传统的同步启动方式需要额外的同步设备,成本高且维护复杂。异步启动PMSM则巧妙地利用了鼠笼感应电机的启动原理,无需额外同步设备即可实现安全可靠的启动。其核心思想是将定子电流分解为两个正交的分量:磁链分量(id)和转矩分量(iq),分别控制这两个分量,从而实现对电机转矩的精确控制。随着电机设计技术的不断进步和控制算法的不断优化,异步启动PMSM的性能将得到进一步提升,应用范围也将更加广泛。异步启动PMSM的调速技术是其核心技术之一,直接影响着电机的性能和应用范围。 阅读详情

相关推荐

无监督低照度增强实战:用ZeroDCE和SCI拯救你的夜间照片(附PyTorch代码)

本文深入探讨了无监督低照度图像增强技术,重点解析了ZeroDCE和SCI两大代表性模型的核心原理与实战应用。通过对比分析两者的技术路径、网络结构及性能特点,并附上详细的PyTorch代码实现,旨在帮助读者掌握无需配对数据即可有效提升夜间照片画质的深度学习解决方案。

git9versioner的博客 490

智能(个性化)推荐系统全流程落地实施方案

从以下一张总体脑图开始。整体上分为三个阶段离线计算、推荐结果的实时获取、推荐结果的评估。离线计算是推荐系统的核心部分,涉及从数据收集、内容画像、用户画像、召回、排序几个关键环节,这几个环节也体现出,推荐的本质是进行内容和用户的匹配。......

技术百宝箱 2415

OpenHarmony v4.1 Release设置应用随系统自动启动

OpenHarmony 4.1 版本中的 Ability Manager Service (AMS) 提供了应用自启动管理功能,允许系统控制哪些应用可以在系统启动时自动运行。这需要以下两个主要步骤:启用系统的自启动管理支持开发一个系统应用来管理自启动配置。

afufufufu的博客 1904

智能推荐系统开发中的十大要素

**智能推荐系统充分运用了机器学习、数据挖掘、搜索引擎、自然语言处理等相关领域的技术。**但推荐系统并不神秘,事实上,推荐在我们身边无处不在。对广 大软件开发工程师们来说,能够投身于推荐系统的研发,是一件既有趣又充满挑战的工作。想要成功的开发一套效果良好的推荐系统,有一系列值得重视的关键点, 文本对此进行了总结,具体列举如下。 1 充分运用显式\隐式反馈数据 数据是一切推荐系统的基础。良好的推荐效...

十三 7775

<视觉>——单目相机的标定(简单原理+Opencv实现)

单目相机的标定原理大致如下: 世界坐标到像素坐标的转换。 期间的参数有S尺度因子,内参矩阵K,旋转矩阵R,平移矩阵T,一共八个未知数。 在Opencv中我们可以方便的根据相机拍摄不同位姿的标定板图片来标定相机,从而求得这些参数,从而可以将相机下的坐标和实际的世界坐标联系起来,求取单应性矩阵H 参考: 单目相机综述:写的特别好 https://www.cnblo...

Kano365的博客 1万+

4D毫米波雷达

详解4D成像毫米波雷达

sangba2019的博客 2394

关于智能推荐的几点思考

一、智能推荐的盛行这是一个信息爆炸的时代。互联网上每天产生的信息量是过去几十年甚至上百年的信息量之和。人们获取信息的方式也经历了几次变革:最初是远古时代人类掌握语言后的口...

m0_37586850的博客 1542

【Unity 实用工具篇】| Unity中 实现背景模糊效果,简单易用

背景模糊 是一个很实用的功能,它可以帮助游戏在视觉上有更好的专注力和表现力。 实现模糊的种类和方式有很多种,大家自行选择适合自己的就可以了。 下面一起来看下本文实现背景模糊的效果和使用方式吧!

努力前行,总会成为自己心中的那道光 4万+

智能推荐系统之数据预处理

智能推荐建立在广泛的的用户产品行为数据基础之上,在做推荐之前往往需要对数据进行预处理及分析,只有这样,才能真正理解并搞懂你收集到的数据,并给出更加智能的推荐结果。一、什么...

m0_37586850的博客 1701

[QMT量化交易小白入门]-四、如何筛选优质可转债,并进行下单操作

通过上述步骤,成功地使用Python代码完成了可转债的筛选、数据处理和下单操作。当然,这只是一个基础的示例,实际投资中还需要考虑更多因素,如市场环境、资金管理、风险控制等。希望本文能为各位投资者提供一些有价值的参考,助力大家在投资道路上走得更远。

木头大左的博客 1734

GNSS/RTK定位失效时的替代方案:视觉惯性里程计(VIO)

GNSS/RTK定位失效时的替代方案:视觉惯性里程计(VIO)​ ,人工智能,计算机视觉,大模型,AI,本文详细介绍了视觉惯性里程计(VIO)作为GNSS/RTK定位失效时的替代方案。阐述了VIO的定义、优势及与其他定位技术的区别,讲解了视觉传感器和IMU的工作原理及数据融合原理,分析了时间同步、标定等关键技术,介绍了VINS-Mono等常用框架、简单代码示例、应用场景,还探讨了VIO面临的挑战与未来发展趋势,展现了其在多个领域的重要性与应用潜力。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 16万+

智能推荐算法的具体技术

智能推荐算法是一种常用的计算机算法,其主要目的是通过分析用户的历史数据和偏好信息,为用户提供个性化的建议和推荐。 具体来说,智能推荐算法通常采用以下技术: 基于内容的推荐(Content-Based Recommendation):这种方法基于用户之前浏览过的物品的内容和属性来推荐相似的物品。 协同过滤(Collaborative Filtering):这种方法基于用户之间的相似度来推荐物品。...

weixin_35749796的博客 2234

[AI8051U入门第一步]环境安装和按键控制流水灯

本文介绍了AI8051U单片机的开发环境搭建及GPIO应用。主要内容包括:1)通过ISP软件完成Keil开发环境配置;2)AI8051U特性介绍,包括32位8051内核、浮点运算单元及丰富外设;3)GPIO输入输出模式解析,并附流水灯控制代码;4)提供完整的系统初始化、延时函数及LED控制代码实现。文章配套资源包含完整工程代码,适用于智能硬件及物联网开发。

sinat_58149788的博客 673

2013.04 08 智能推荐系统开发中的十个关键注意点

文章发表在netflix的技术博客上。作者是Xavier Amatriain和Justin Basilico 利用清明的时间学习了一下,翻译备份,好货分享之。有不当的地方请评论中指出。多谢各位。 前一章节我们重点强调了数据和算法在创建一个有非常好的用户体验的推荐系统。我们同时也提到提升用户与推荐系统交互的参与程度和热情的重要性。今天我们将展现给大家的是另一个非常重要的问题:怎么

overstack的专栏 1166

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

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

Transformer 大模型在智能推荐系统中的深度应用与实践

Transformer 大模型为智能推荐系统带来了前所未有的机遇,其卓越的序列建模能力和多模态融合能力使得推荐系统能够更精准地捕捉用户兴趣、提供个性化推荐内容。本文从理论基础到实际代码实现,全面深入地探讨了 Transformer 在智能推荐系统中的应用方法和实践技巧,并详细分析了在实际业务场景中可能遇到的冷启动、模型训练评估、部署监控等挑战和相应的解决方案。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 4523

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

基于人工智能的智能推荐系统

智能推荐系统是人工智能领域的重要应用之一,广泛应用于电子商务、内容平台、金融等多个行业。本文将详细介绍智能推荐系统的概念、原理、架构设计、开发流程以及应用场景。通过实际代码示例和架构图,帮助读者快速理解和掌握如何构建一个高效的智能推荐系统。同时,本文还将探讨在开发过程中需要注意的事项,以及未来的发展趋势。智能推荐系统是人工智能领域的重要应用之一,它通过分析用户的行为和偏好,为用户提供个性化的推荐内容。

加入“Super Entity”,与全能开发团队共探AI智能体与数字人项目,开启前沿技术之旅。 1146

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

新书速览|大模型智能推荐系统:技术解析与开发实践

涉及推荐系统的多个关键模块,包括技术框架、数据处理、特征工程、嵌入生成、排序优化及推荐结果评估。重点解析大语言模型在冷启动问题、长尾内容优化和个性化推荐等领域的核心技术,通过深度剖析上下文学习、Prompt工程及分布式部署等方法,展示如何利用大语言模型提高推荐精度和用户体验。近年来,重点研究大模型训练加速、算力调度与异构计算优化,致力于提升计算效率与资源利用率,推动大规模人工智能模型的高效部署与应用。《大模型智能推荐系统:技术解析与开发实践》注重理论与实践的结合,尤其适合希望将推荐技术应用于业务场景的。

quanzhankaifaqua的博客 848
上一篇: 在美国学CS能挣多少钱?美国IT公司标准 offer package详细数字及绿卡政策
下一篇: 教你如何迅速秒杀掉:99%的海量数据处理面试题
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