各大推荐引擎资料汇总

推荐引擎的魔力:个性化推荐背后的技术 推荐引擎的工作过程是一个复杂的流程,需要深入了解用户兴趣、文章内容和各种推荐算法,以生成个性化的推荐列表。这个过程结合了用户行为数据的分析、用户画像、文章画像以及不同的推荐策略,以提供用户满意的推荐体验。不同的推荐系统可以根据需求和数据采用不同的组合和算法。在建立用户画像和文章画像之后,推荐引擎可以根据需求采用不同的推荐算法来为用户提供文章推荐。主要的推荐算法分为两大类:基于统计的静态召回算法和个性化召回算法。 阅读详情

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,可以参考我翻译的blog。

Hulu:主要是item based CF,参考官方博客上的文章。

Youtube:开始是random walk,后来改为类似item based CF的方法,这是他们算法团队发表的论文。recsyschina上的点评, 豆瓣阿稳的点评。


图书类

Amazon:好多方法都用了,主要是 item based CF,参考Greg Linden的论文。这里讨论了一下其推荐系统的有效性;另外,这篇博客有一个简要的讨论,包含pandora的推荐方法。


资讯类

google news:用了CF和bayesian的方法:CF论文,bayesian论文。

digg:算法是 热门度+topic driven user based CF,官方博客找不到了,算法说明在这里。项亮的点评。

zite:可以参考这里。


音乐类

last.fm:用的是CF,参考这里。

yahoo music:参考Koren的论文。

pandora:音乐基因项目,主要依赖专家标注。参考这里,和这里,以及一篇对比的文章。


社交类

facebook:算法叫Edgerank, 参考这里和这里。

twitter:主要场景是推荐其它用户,参考官方介绍,以及quora上的讨论。

linkedin:负责人是Christian Posse,他在kdd2012上的slides。或者参考他们刚发表的论文,以及这里。


综合推荐

stumbleupon: 参考这里,网页上的图打不开了,放在下面。一篇综述的文章。



最后,以下是几篇不错的关于推荐系统的文章。

比较杂的:相关性时代,推荐系统的机会,推荐系统的挑战,无处不在的推荐,推荐系统微观点

豆瓣阿稳的:推荐算法与推荐产品,集体智慧vs专家智慧,推荐算法vs过滤系统

葫芦项亮的:推荐方面的资源,推荐算法有效性

国际象棋智能引擎源代码 Mizar3的源代码(C程序),生成的可执行文件Mizar.exe可以用免费的Winboard(一种国际象棋软件)加载. 该智能引擎的象棋国际等级分在1000分左右. 是研究人工智能的好参考. 立即下载

相关推荐

修复zookeeper未授权访问漏洞

【代码】修复zookeeper未授权访问漏洞。

qq_28392947的博客 4069

实战智能推荐系统(14)-- 推荐系统架构

外围架构 一般来说,每个网站都有一个 UI 系统,UI 系统负责给用户展示网页并和用户交互。网站会通过日志系统将用户在 UI 上的各种各样的行为记录到用户行为日志中。 从上面的结构可以看到,除了推荐系统本身,主要还依赖两个条件--界面展示和用户行为数据。 推荐系统架构 推荐系统联系用户和物品的主要方式如下图所示。如果将这三种方式都抽象一下就可以发现,如果认为用户喜欢的物品也是一种用户特...

ouprince 1万+

LCD、LED、OLED、Mini LED、Micro LED、全阵列LED、QLED、QD-OLED、QNED、AMOLED是什么意思?

LCD(液晶显示器,Liquid Crystal Display)定义:LCD 是一种利用液晶材料控制光线通过的显示技术,需依靠背光源(如冷阴极荧光灯 CCFL 或 LED)照亮液晶层以形成图像。技术原理:液晶分子在电场作用下改变排列,控制背光通过的强度和颜色。液晶本身不发光,需外部光源。特点:结构包括背光层、液晶层、彩色滤光片和偏光片。响应时间较慢,黑色表现因背光漏光而偏灰。LED(发光二极管显示,Light Emitting Diode)定义。

中国最威武的城市!武功军威-武威,铁骨铮铮! 3433

聊聊互联网营销

"一代人有一代人的使命,一代人有一代人的担当"。软件工程上更新迭代的速度远高于人类代际的更迭,每个系统都是站在更早系统的肩膀上,进步了一点点,去担当崭新的需求。看了这篇文章的你,是否有多一点的信心,去自己练习下营销的第4门功课呢。

hellozhxy的博客 543

STM32单片机语音提示盲人拐杖整点报时夜间警示超声波测距

STM32单片机语音提示盲人拐杖整点报时夜间警示超声波测距 关键词:语音提示盲人拐杖 整点报时 超声波测距拐杖

LS840233684的博客 2048

python数据分析与可视化

Python数据分析主要包括数据清洗、数据探索和数据可视化三个部分。数据清洗是数据分析的重要环节,主要是对数据进行预处理,包括缺失值处理、异常值处理、数据类型转换等。数据探索则是通过对数据进行初步分析,了解数据的分布和特征,为后续的数据分析提供基础。数据可视化则是将数据以图形化的方式呈现,帮助人们更好地理解和分析数据。

2301_82032652的博客 7719

2024年互联网内容营销六大趋势和挑战

这是一个复杂而耗时的过程。ABM的核心是将每位客户视为一个有价值的个体,而不仅仅是数据库中的一个数字,您可以在其中识别高价值的潜在客户和客户,并特别为他们创建有针对性的购买体验。虽然 68% 的 B2B 营销人员对他们的内容营销方法充满信心,但只有 8% 的营销人员表示他们总是能够将投资回报率归因于他们的内容计划,只有 4% 的人实际衡量他们在六个月或更长时间内的投资回报率。59%的营销人员已经在内容营销策略中使用视频,高达76%的人认为这是他们最有效的内容格式,四分之一的人表示这是他们最大的投资回报率。

liju_yang的博客 991

深入RK3588内存管理:如何用dma_buf_alloc和mpp_buffer为RGA2分配4G以内内存(附kernel版本选择)

本文深入探讨了RK3588平台上RGA2核心的4G内存限制问题,详细解析了dma_buf_alloc和mpp_buffer两种内存分配方案的技术细节与适用场景。通过代码示例和性能对比,帮助开发者优化高分辨率视频处理流程,并提供了内核版本选择与常见错误排查指南。

weixin_29168153的博客 368

推荐系统经典论文文献及业界应用

作者:百度关键词搜索推荐系统maker列了一些之前设计开发百度关键词搜索推荐引擎时, 参考过的论文, 书籍, 以及调研过的推荐系统相关的工具;同时给出参加过及未参加过的业界推荐引擎应用交流资料(有我网盘的链接), 材料组织方式参考了厂里部分同学的整理。因为推荐引擎不能算是一个独立学科,它与机器学习,数据挖掘有天然不可分的关系,所以同时列了一些这方面有用的工具及书籍,希望能对大家有所帮助。Survey

qq_17116557的博客 1472

知识图谱-KGE-语义匹配-双线性模型-2018:SimplE

【paper】 SimplE Embedding for Link Prediction in Knowledge Graphs 【简介】 本文是加拿大英属哥伦比亚大学的两位学者发表在 NIPS 2018 上的工作,文章提出了 SimplE(Simple Embedding)。这篇和前面一篇差不多,也是对 1927 年的 CP 进行改进(简化),传统CP为实体分配的两个向量是独立训练的,SimplE利用关系的逆在三元组打分函数中加上了一个对称项,使得每个实体的两个向量依赖学习,并且 SimplE 的复杂度随

u013250861的博客 959

小麦病害检测系统开发

本项目旨在针对小麦病害小目标检测任务,在YOLOv11基础上进行三项改进: - 将主干网络替换为Swin Transformer,增强全局特征提取能力。 - 在检测头中引入DynamicHead,并增加检测头数量至四个,提升多尺度检测性能。 - 集成半监督FixMatch训练框架,利用无标签数据提升模型泛化能力。 我们定义五个模型进行对比实验: - Model 0: 原始YOLOv11 (有监督) - Model 1: YOLOv11 + Swin Transformer (有监督) ~~~~~~

AI的内部世界的博客 121

初识推荐系统第一篇-系统架构

一、初识推荐系统 什么是推荐系统? 推荐系统在维基百科上的定义是:它是一种信息过滤系统,手段是预测用户(User)对物品(Item)的评分和偏好。 为了让大家能够初步感知推荐系统,可以从回答下面3个问题进行展开。 推荐系统在哪里? 可以说推荐系统无处不在。 例如,如果我们进入一家超市,在超市的入口挂着促销的牌子,上面写着”今日推荐,本地西红柿打5折促销,数量有限,欲购从速!!!“ 超市的这个牌子可以说就是一个简单的推荐系统。 在互联网环境中,电子商务、电影视频、音...

1268

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,

【转载】各大推荐引擎资料汇总

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。 欢迎同行加我微博进行交流。 视频类 Netflix: 很多方法的融合。可以参考我翻译的blog。 Hulu:  主要是item based CF。参考官方博客上的文章。 Youtube:  开始是random walk,后来改为类

xceman1997的专栏 1960

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

[置顶] 各大推荐引擎资料汇总

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:主要是item based CF,参考官方博客上的文章。 Youtube:开始是random walk,后来改为类似item based CF的方法,这是他们算法团队发表的论文。recsyschina上的点评, 豆瓣阿稳的点评。 图书类 Am

zhongwen7710的专栏 2595

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

各大推荐引擎资料汇总(转)

原文来自:http://blog.youkuaiyun.com/lzt1983/article/details/7914536 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。 视频类 Netflix: 很多方法的融合。可以参考我翻译的blog。 Hulu:  主要是item bas

happyzhouxiaopei的专栏 801

搜索,推荐,广告系统架构及算法技术资料大合集吐血整理——2020年终分享

算法学习资料: AI_Tutorial 各大厂架构开发学习资源;精华机器学习,NLP,图像识别等人工智能领域学习资料,搜索,推荐,广告系统架构及算法技术资料吐血整理 你还在为学习算法摸不着头脑么?你还在为技术调研各种Google么?AI的牛b吹不上去?盯紧了,这里就是你的2020女朋友~。本项目会持续关注AI落地的一些优质技术资料。大家也可以去网站投稿。 算法学习资料: AI_Tutorial...

舒哥的blog 2万+

推荐引擎分为哪几类,个性化推荐引擎的介绍

在信息时代的今天,大数据为用户获取方方面面的信息提高了效率,更可以智能的帮助用户从海量内容中快速找到想要阅读的信息,或者从海量商品中快速找到想要购买的商品。推荐引擎的发展让选择不明确的用户更加了解她们的需求和喜好。下面以内容产品和电商产品为例,谈谈推荐引擎在产品中发挥的巨大作用。 一、推荐引擎的分类 1.根据大众行为的推荐引擎(对每个用户给出相同的推荐) 内容产品和电商产品设计中,主要采用引导用户...

多智时代的博客 4328
上一篇: 在线广告的exploration/exploitation trade-off(勘探和开采问题)
下一篇: 单机模式处理大数据,搜集一些好用的开源利器
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