- 一、引言早些时候，我们在做提效研讨会时，其中一项是关于商品陈列决策的低效与滞后。超商门店的陈列优化作为提升销售额和顾客体验的关键环节，目前面临效率问题。传统门店的陈列方案往往依赖资深店长的经验判断，基于历史销售数据手动调整，不仅耗时（单店陈列方案制定平均需 4-8 小时），且难以实时响应市场变化（如促销活动、季节更替、库存波动）。为解决这一问题，我们团队计划开发“数字化陈列推荐系统”开发项目... 一、引言早些时候，我们在做提效研讨会时，其中一项是关于商品陈列决策的低效与滞后。超商门店的陈列优化作为提升销售额和顾客体验的关键环节，目前面临效率问题。传统门店的陈列方案往往依赖资深店长的经验判断，基于历史销售数据手动调整，不仅耗时（单店陈列方案制定平均需 4-8 小时），且难以实时响应市场变化（如促销活动、季节更替、库存波动）。为解决这一问题，我们团队计划开发“数字化陈列推荐系统”开发项目...
- 华为CANN算子优化实践-AutoFuse自动融合在推荐系统中的深度应用（训练营深度实战篇）随着人工智能在推荐系统中的广泛应用，模型规模和特征维度不断增加，算子执行效率逐渐成为系统性能的核心瓶颈。华为昇腾 CANN 提出的 AutoFuse 自动融合技术，为推荐系统提供了高效的算子执行方案，从原理设计到实践优化，实现了显著的性能提升。本文将从技术原理、实现机制、实践案例以及性能优化策略等方... 华为CANN算子优化实践-AutoFuse自动融合在推荐系统中的深度应用（训练营深度实战篇）随着人工智能在推荐系统中的广泛应用，模型规模和特征维度不断增加，算子执行效率逐渐成为系统性能的核心瓶颈。华为昇腾 CANN 提出的 AutoFuse 自动融合技术，为推荐系统提供了高效的算子执行方案，从原理设计到实践优化，实现了显著的性能提升。本文将从技术原理、实现机制、实践案例以及性能优化策略等方...
- 一、引言鸿蒙智能推荐系统是基于HarmonyOS分布式能力和AI技术构建的新一代个性化推荐引擎。系统通过多设备协同感知、实时用户行为分析和智能内容匹配，实现跨设备的精准个性化推荐，在用户体验提升和业务转化率方面实现显著突破。技术突破与性能表现指标传统推荐系统鸿蒙智能推荐提升幅度技术价值推荐准确率68.5%82.3%+20.1%更精准的用户兴趣匹配响应延迟120-200ms15-30ms降低8... 一、引言鸿蒙智能推荐系统是基于HarmonyOS分布式能力和AI技术构建的新一代个性化推荐引擎。系统通过多设备协同感知、实时用户行为分析和智能内容匹配，实现跨设备的精准个性化推荐，在用户体验提升和业务转化率方面实现显著突破。技术突破与性能表现指标传统推荐系统鸿蒙智能推荐提升幅度技术价值推荐准确率68.5%82.3%+20.1%更精准的用户兴趣匹配响应延迟120-200ms15-30ms降低8...
- 别怪推荐系统不懂你，可能是你的数据“太模糊”了 别怪推荐系统不懂你，可能是你的数据“太模糊”了
- 边缘计算加持下的个性化推荐：离用户更近，推荐更懂你 边缘计算加持下的个性化推荐：离用户更近，推荐更懂你
- AI推荐系统：如何悄无声息地重塑你的购物车？ ——从“人找货”到“货找人”的底层逻辑与实战拆解本文目标：用一次“完整购物旅程”带你穿透推荐系统的黑箱，既看懂淘宝/抖音为何“比你更懂你”，也能亲手搭一个工业级召回+排序+策略引擎，并落地到真实电商数据集。读完你将获得：一张可套用的“购物体验提升”技术地图三段可直接运行的 Python 代码（召回→排序→策略），覆盖 10⁶ 级商品池一套可量化... AI推荐系统：如何悄无声息地重塑你的购物车？ ——从“人找货”到“货找人”的底层逻辑与实战拆解本文目标：用一次“完整购物旅程”带你穿透推荐系统的黑箱，既看懂淘宝/抖音为何“比你更懂你”，也能亲手搭一个工业级召回+排序+策略引擎，并落地到真实电商数据集。读完你将获得：一张可套用的“购物体验提升”技术地图三段可直接运行的 Python 代码（召回→排序→策略），覆盖 10⁶ 级商品池一套可量化...
- 随着金融市场的高度复杂化与波动性增加，传统的单一预测方法（如时间序列模型、技术指标分析）往往难以应对多维度的信息流。而人工智能代理（AI Agent）凭借其跨模型的自适应学习能力，逐渐成为金融预测中的核心手段。本文探讨 AI Agent如何融合多种算法（深度学习、强化学习、集成学习等），并通过优化机制提升市场预测的准确率与鲁棒性。 随着金融市场的高度复杂化与波动性增加，传统的单一预测方法（如时间序列模型、技术指标分析）往往难以应对多维度的信息流。而人工智能代理（AI Agent）凭借其跨模型的自适应学习能力，逐渐成为金融预测中的核心手段。本文探讨 AI Agent如何融合多种算法（深度学习、强化学习、集成学习等），并通过优化机制提升市场预测的准确率与鲁棒性。
- 基于视觉-语言融合的AI Agent跨模态推理机制是未来人工智能的重要方向。它不仅能理解图像和文本，还能在两者之间建立语义联系，实现更强的智能推理能力。通过实战代码展示，我们看到AI Agent能够在多模态场景下做出准确判断。未来的研究将聚焦于提升推理能力和降低计算成本，推动AI Agent更好地服务于现实应用。 基于视觉-语言融合的AI Agent跨模态推理机制是未来人工智能的重要方向。它不仅能理解图像和文本，还能在两者之间建立语义联系，实现更强的智能推理能力。通过实战代码展示，我们看到AI Agent能够在多模态场景下做出准确判断。未来的研究将聚焦于提升推理能力和降低计算成本，推动AI Agent更好地服务于现实应用。
- 推荐系统作为人工智能的重要应用之一，在电商、短视频、社交网络和在线教育等场景中扮演着核心角色。传统推荐方法（协同过滤、基于规则的推荐等）在冷启动问题、数据稀疏性以及实时性方面存在不足。 随着深度学习和AI Agent的融合，智能推荐系统能够实现更强的 自适应优化能力，通过AI Agent的感知、决策与反馈机制不断提升推荐效果。 推荐系统作为人工智能的重要应用之一，在电商、短视频、社交网络和在线教育等场景中扮演着核心角色。传统推荐方法（协同过滤、基于规则的推荐等）在冷启动问题、数据稀疏性以及实时性方面存在不足。 随着深度学习和AI Agent的融合，智能推荐系统能够实现更强的 自适应优化能力，通过AI Agent的感知、决策与反馈机制不断提升推荐效果。
- 引言我们之前在做多端框架选择的时候，优先考虑的是开发效率。于是选择了支持React开发的Taro框架，Taro 框架提供了 “一次开发，多端运行” 的能力，这样学习成本少，上手也快。近期，我们在考虑在系统里增加个性化推荐，以此来提升用户留存与转化。本文将深入探讨如何基于 Taro 在多端实现商品推荐核心功能，提供从架构设计到具体实现的全栈解决方案。一、系统架构设计1.1 分层架构解析该架构分... 引言我们之前在做多端框架选择的时候，优先考虑的是开发效率。于是选择了支持React开发的Taro框架，Taro 框架提供了 “一次开发，多端运行” 的能力，这样学习成本少，上手也快。近期，我们在考虑在系统里增加个性化推荐，以此来提升用户留存与转化。本文将深入探讨如何基于 Taro 在多端实现商品推荐核心功能，提供从架构设计到具体实现的全栈解决方案。一、系统架构设计1.1 分层架构解析该架构分...
- 不只是万物互联，鸿蒙也能“猜你想看”——浅谈HarmonyOS里的智能推荐魔法术 不只是万物互联，鸿蒙也能“猜你想看”——浅谈HarmonyOS里的智能推荐魔法术
- 推荐不准等于骚扰？AI是如何精准推荐你爱看的内容的 推荐不准等于骚扰？AI是如何精准推荐你爱看的内容的
- 基于Python的白酒数据推荐系统1. 引言中国白酒市场品类繁多、消费需求个性化显著，用户常面临“选择困难”。传统推荐依赖人工经验或简单销量排序，难以精准匹配用户偏好。本系统基于Python生态，融合协同过滤、内容推荐与深度学习技术，构建智能化白酒推荐引擎，旨在提升用户发现心仪产品的效率，同时助力酒企优化营销策略。2. 技术背景2.1 核心技术栈数据处理：Pa... 基于Python的白酒数据推荐系统1. 引言中国白酒市场品类繁多、消费需求个性化显著，用户常面临“选择困难”。传统推荐依赖人工经验或简单销量排序，难以精准匹配用户偏好。本系统基于Python生态，融合协同过滤、内容推荐与深度学习技术，构建智能化白酒推荐引擎，旨在提升用户发现心仪产品的效率，同时助力酒企优化营销策略。2. 技术背景2.1 核心技术栈数据处理：Pa...
- 引言在数字化时代，音乐已成为人们生活中不可或缺的一部分。随着音乐流媒体平台的兴起，如何在海量的音乐库中为用户提供个性化的音乐推荐，提升用户体验，已成为一个重要的研究方向。传统的推荐算法在处理大规模数据和复杂用户偏好时，存在一定的局限性。近年来，深度学习的快速发展为构建智能化的音乐推荐系统提供了新的思路。本文将详细介绍如何基于深度学习技术，构建一个个性化的音乐推荐系统。我们将从数据收集、模型... 引言在数字化时代，音乐已成为人们生活中不可或缺的一部分。随着音乐流媒体平台的兴起，如何在海量的音乐库中为用户提供个性化的音乐推荐，提升用户体验，已成为一个重要的研究方向。传统的推荐算法在处理大规模数据和复杂用户偏好时，存在一定的局限性。近年来，深度学习的快速发展为构建智能化的音乐推荐系统提供了新的思路。本文将详细介绍如何基于深度学习技术，构建一个个性化的音乐推荐系统。我们将从数据收集、模型...
- 在介绍推荐系统网络之前，先了解一下推荐系统的基本架构包括用户画像、召回、粗排、精排与混排五个模块。其中用户画像主要是构建用户兴趣，通过用户的行为日志信息识别出用户的兴趣（包括长期与短期兴趣）、行为统计信息、用户DPM信息、用户体验反馈等；召回主要是指通过多种算法来从数据库中筛选出候选集，主要用来降低后续排序环节中候选集的规模，将百万级的数据集缩小至千级别的规模，主要包括ICF、UCF等CF类... 在介绍推荐系统网络之前，先了解一下推荐系统的基本架构包括用户画像、召回、粗排、精排与混排五个模块。其中用户画像主要是构建用户兴趣，通过用户的行为日志信息识别出用户的兴趣（包括长期与短期兴趣）、行为统计信息、用户DPM信息、用户体验反馈等；召回主要是指通过多种算法来从数据库中筛选出候选集，主要用来降低后续排序环节中候选集的规模，将百万级的数据集缩小至千级别的规模，主要包括ICF、UCF等CF类...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中
热门标签