- 学习总结 （1）上一个task我们提到用embedding召回，快速过滤商品，缩小候选集。但是embedding相似度如果都用余弦计算，当数据量很大时计算量很大。所以提出用【局部敏感哈希LSH】解决高维... 学习总结 （1）上一个task我们提到用embedding召回，快速过滤商品，缩小候选集。但是embedding相似度如果都用余弦计算，当数据量很大时计算量很大。所以提出用【局部敏感哈希LSH】解决高维...
- 学习总结 YouTube推荐架构=召回层（多，快）+排序层（少，精）。候选集生成模型：用了Embedding MLP，注意最后的多分类的输出层，预测的是用户点击了“哪个”视频。线上服务时，需要从输出层提... 学习总结 YouTube推荐架构=召回层（多，快）+排序层（少，精）。候选集生成模型：用了Embedding MLP，注意最后的多分类的输出层，预测的是用户点击了“哪个”视频。线上服务时，需要从输出层提...
- 学习总结 （1）LREM将用于从列表 key 中删除前 count 个值等于 element 的元素。 这个 count 参数通过下面几种方式影响这个操作，如果count > 0， 从头到尾删除值... 学习总结 （1）LREM将用于从列表 key 中删除前 count 个值等于 element 的元素。 这个 count 参数通过下面几种方式影响这个操作，如果count > 0， 从头到尾删除值...
- 学习总结 协同过滤（Collaborative Filtering）及其衍生的模型，和深度学习推荐系统密切相关。 协同过滤：协同大家的反馈、评价和意见，对海量的信息进行过滤，从中筛选出用户感兴趣信息的一... 学习总结 协同过滤（Collaborative Filtering）及其衍生的模型，和深度学习推荐系统密切相关。 协同过滤：协同大家的反馈、评价和意见，对海量的信息进行过滤，从中筛选出用户感兴趣信息的一...
- 学习心得 （1）本次task学习了推荐系统中特征处理的主要方式，并利用 Spark 实践了类别型特征和数值型特征的主要处理方法，深度学习和传统机器学习的区别并不大，TensorFlow、PyTorch ... 学习心得 （1）本次task学习了推荐系统中特征处理的主要方式，并利用 Spark 实践了类别型特征和数值型特征的主要处理方法，深度学习和传统机器学习的区别并不大，TensorFlow、PyTorch ...
- 学习总结 （1）本次task学习Embedding中的Deep Walk和Node2vec算法，和Embedding在推荐系统的三种应用：直接应用、预训练应用和End2End训练应用。 （2）Deep ... 学习总结 （1）本次task学习Embedding中的Deep Walk和Node2vec算法，和Embedding在推荐系统的三种应用：直接应用、预训练应用和End2End训练应用。 （2）Deep ...
- 学习心得 （1）Word2vec 的研究中提出的模型结构、目标函数、负采样方法、负采样中的目标函数在后续的研究中被重复使用并被屡次优化。掌握 Word2vec 中的每一个细节成了研究 Embedding... 学习心得 （1）Word2vec 的研究中提出的模型结构、目标函数、负采样方法、负采样中的目标函数在后续的研究中被重复使用并被屡次优化。掌握 Word2vec 中的每一个细节成了研究 Embedding...
- 这个系列是学习王喆的【深度学习推荐系统实战】时做的笔记和自己的学习总结。 文章目录 零、一个栗子的引入一、学习目标和要求1.学习目标2.课前要求 二、课程体系1.基础架构篇2.特征工程篇3.线... 这个系列是学习王喆的【深度学习推荐系统实战】时做的笔记和自己的学习总结。 文章目录 零、一个栗子的引入一、学习目标和要求1.学习目标2.课前要求 二、课程体系1.基础架构篇2.特征工程篇3.线...
- 学习总结 本次task学习推荐系统的存储模块（遵循“分级存储”原则，在开销和性能中平衡；具体而言：把越频繁访问的数据放到越快的数据库甚至缓存中，把海量的全量数据放到廉价但是查询速度较慢的数据库中）和对S... 学习总结 本次task学习推荐系统的存储模块（遵循“分级存储”原则，在开销和性能中平衡；具体而言：把越频繁访问的数据放到越快的数据库甚至缓存中，把海量的全量数据放到廉价但是查询速度较慢的数据库中）和对S...
- 学习总结 （1）在选择具体特征的过程中，我们遵循了“物品特征”、“用户特征”、“场景特征”这三大类特征分类方式，基于 MovieLens 的 用户评分数据ratings 表和 电影基本数据movies ... 学习总结 （1）在选择具体特征的过程中，我们遵循了“物品特征”、“用户特征”、“场景特征”这三大类特征分类方式，基于 MovieLens 的 用户评分数据ratings 表和 电影基本数据movies ...
- 学习总结 （1）Flink 是最具代表性的批流一体的大数据平台。特点：让批处理和流处理共用一套代码，从而既能批量处理已落盘的数据，又能直接处理实时数据流。 （2）Flink 提高推荐系统实时性：用户数据... 学习总结 （1）Flink 是最具代表性的批流一体的大数据平台。特点：让批处理和流处理共用一套代码，从而既能批量处理已落盘的数据，又能直接处理实时数据流。 （2）Flink 提高推荐系统实时性：用户数据...
- 学习总结 （1）推荐系统的评估体系由传统离线评估、离线 Replay（在离线状态下对线上更新过程进行仿真，让整个评估过程“动”起来。）、线上 Interleaving，以及线上 A/B 测试四个层级组成... 学习总结 （1）推荐系统的评估体系由传统离线评估、离线 Replay（在离线状态下对线上更新过程进行仿真，让整个评估过程“动”起来。）、线上 Interleaving，以及线上 A/B 测试四个层级组成...
- 第17章节——推荐系统 问题规划： ——电影推荐系统的案例 基于内容的推荐算法： 如上图，预测用户对某个电影可能的 评分 情况， 即最小化 预测值 与 实际评分 之间的 差值的 平方 和，y代表实... 第17章节——推荐系统 问题规划： ——电影推荐系统的案例 基于内容的推荐算法： 如上图，预测用户对某个电影可能的 评分 情况， 即最小化 预测值 与 实际评分 之间的 差值的 平方 和，y代表实...
- 一.引入 推荐系统（主要是CF）是我在参加百度的电影推荐算法比赛的时候才临时学的，虽然没拿什么奖，但是知识却是到手了，一直想写一篇关于推荐系统的文章总结下，这次借着完善DML写一下，权当是总结了。不过真正的推荐系统当然不会这么简单，往往是很多算法交错在一起，本文只是... 一.引入 推荐系统（主要是CF）是我在参加百度的电影推荐算法比赛的时候才临时学的，虽然没拿什么奖，但是知识却是到手了，一直想写一篇关于推荐系统的文章总结下，这次借着完善DML写一下，权当是总结了。不过真正的推荐系统当然不会这么简单，往往是很多算法交错在一起，本文只是...
- 1、推荐系统概述 电子商务网站是推荐系统应用的重要领域之一，当当网的图书推荐，大众点评的美食推荐，QQ好友推荐等等，推荐无处不在。 从企业角度，推荐系统的应用可以增加销售额等等，对于用户而言，系统仿佛知道我们的喜好并给出推荐也是非常美妙的事情。 推荐算法分类： 按数据使用划分： 协同过滤算法：UserC... 1、推荐系统概述 电子商务网站是推荐系统应用的重要领域之一，当当网的图书推荐，大众点评的美食推荐，QQ好友推荐等等，推荐无处不在。 从企业角度，推荐系统的应用可以增加销售额等等，对于用户而言，系统仿佛知道我们的喜好并给出推荐也是非常美妙的事情。 推荐算法分类： 按数据使用划分： 协同过滤算法：UserC...
上滑加载中
推荐直播
-
探秘仓颉编程语言：华为开发者空间的创新利器2025/02/22 周六 15:00-16:30
华为云讲师团
本期直播将与您一起探秘颉编程语言上线华为开发者空间后，显著提升开发效率，在智能化开发支持、全场景跨平台适配能力、工具链与生态完备性、语言简洁与高性能特性等方面展现出的独特优势。直播看点： 1.java转仓颉的小工具 2.仓颉动画三方库lottie 3.开发者空间介绍及如何在空间用仓颉编程语言开发
回顾中 -
大模型Prompt工程深度实践2025/02/24 周一 16:00-17:30
盖伦 华为云学堂技术讲师
如何让大模型精准理解开发需求并生成可靠输出？本期直播聚焦大模型Prompt工程核心技术：理解大模型推理基础原理，关键采样参数定义，提示词撰写关键策略及Prompt工程技巧分享。
去报名 -
华为云 x DeepSeek：AI驱动云上应用创新2025/02/26 周三 16:00-18:00
华为云 AI专家大咖团
在 AI 技术飞速发展之际，DeepSeek 备受关注。它凭借哪些技术与理念脱颖而出？华为云与 DeepSeek 合作，将如何重塑产品与应用模式，助力企业数字化转型？在华为开发者空间，怎样高效部署 DeepSeek，搭建专属服务器？基于华为云平台，又该如何挖掘 DeepSeek 潜力，实现智能化升级？本期直播围绕DeepSeek在云上的应用案例，与DTSE布道师们一起探讨如何利用AI 驱动云上应用创新。
去报名
热门标签