數(shù)據(jù)挖掘菜鳥davidwang

發(fā)簡信

3
關(guān)注
156
粉絲
16
文章
22637

字數(shù)
36

收獲喜歡
10

總資產(chǎn)

IP屬地：湖北

預(yù)告：position bias 在建模中的處理方式
提前給大家預(yù)告一篇position bias在建模中的處理方式艰管。

168 0 0
基于深度隱語義topic的用戶聚合推薦--part2 推薦結(jié)果
開篇之前察净，我們首先回顧一下背景：part1 在19年已經(jīng)寫了贩毕，最近打開博客發(fā)現(xiàn)part2遲遲沒有寫，時隔這么久瞬雹，臨近十一終于有時間把第二部分完成...

226 0 0

tf_record 的幾種生成方法悄晃。
背景：大家在使用tensorflow 訓(xùn)練model 的時候，如何更好更快的加載數(shù)據(jù)褥蚯，tensorflow官方給出了tf record這種格式挚冤，...

633 0 0
基于深度隱語義topic的用戶聚合推薦--part1 topic的聚合
背景：在個性化推薦系統(tǒng)中，新用戶的快速興趣探索赞庶，是推薦系統(tǒng)能否真正抓住用戶的真正喜好训挡，并達到留存的關(guān)鍵因素。如何快速興趣探索歧强，首先要選取一種合適...

0.5 553 0 1
Graph Embeding（圖嵌入）在短視頻推薦系統(tǒng)的落地實戰(zhàn)-part2
上文主要介紹了deep walk原論文是如何從原始語料獲得graph澜薄，以及如何從graph，隨機游走出item序列摊册。繼而通過word2vec或得...

0.2 1837 1 2
Graph Embeding（圖嵌入）在短視頻推薦系統(tǒng)的落地實戰(zhàn)-part1
背景：眾所周知肤京，在個性化推薦系統(tǒng)，后端算法核心邏輯丧靡，分為召回蟆沫，排序以及strategy調(diào)整籽暇，用戶訪問系統(tǒng)時，受限于排序模型的耗時等因素饭庞，不可能將...

0.4 4543 1 5
深度語義模型在推薦系統(tǒng)中的應(yīng)用實戰(zhàn)（youtube dnn）--part3
背景：上文講到離線model已經(jīng)訓(xùn)練好了戒悠。接下來就是最重要的部分，在線應(yīng)用部分拿效果舟山。在個性化推薦算法recall的整體架構(gòu)中绸狐，有比較簡單的寫k...

1.1 2117 6 3

深度語義模型在推薦系統(tǒng)中的應(yīng)用實戰(zhàn)（youtube dnn）--part2
part2背景：眾所周知，數(shù)據(jù)是最終效果的天花板累盗，而不同model在同一份數(shù)據(jù)上只不過是代表了不同逼近天花板的程度寒矿，有鑒于此，本小節(jié)也分兩大塊展...

1.2 1984 1 3
深度語義模型在推薦系統(tǒng)中的應(yīng)用實戰(zhàn)（youtube dnn）--part1
前序：本文是對《 deep neural network for youtube recommendation》這篇paper的落地實戰(zhàn)若债。本文重...

0.1 7116 2 2