推荐系统

从零构建短视频推荐系统：双塔算法架构解析与代码实现刷短视频本来只想看几分钟，不知不觉一个多小时就没了。每条视频都恰好戳中你的兴趣点，这种精准推送背后其实是一套相当复杂的工程架构。

【计算广告】广告出价相关约束问题：PID控制、MPC预测算法对于互联网广告系统而言，其核心问题便是广告与用户流量的精准匹配，以最大化流量的售卖效率。在当前ocpx的广告售卖产品中，目标是最大化平台的收入，并且最大化广告和流量的匹配，这涉及到对竞争环境的出价建模。

中杯可乐多加冰

【AI落地应用实战】利用亚马逊云科技 Step Functions 集成现有系统快速实现个性化邮件触达在当今数字营销时代，邮件作为一种重要的用户触达方式，其价值不言而喻。尤其对于海外用户而言，邮件更是他们日常生活中不可或缺的沟通工具。然而，随着邮件营销的普及，一个日益突出的问题也随之浮现：如何在大规模邮件发送中避免用户反感，实现真正有效的个性化触达？

信息检索、推荐系统模型排序质量指标：AP@K和MAP@KAP@K（Average Precision at K）和MAP@K（Mean Average Precision at K）是信息检索、推荐系统等领域中常用的评估指标，用于衡量模型在前K个结果中的排序质量。它们关注的不仅是结果的准确性，还强调相关结果的排序位置（相关结果排在越靠前，指标越好）。

使用 QLExpress 构建灵活可扩展的业务规则引擎目录一、什么是 QLExpress？二、推荐系统中的规则脚本应用1 场景描述2 推荐规则脚本（QLExpress）

好心的小明

【王树森推荐系统】召回05：矩阵补充、最近邻查找在训练好模型后，可以将模型用于推荐系统中的召回通道。比如在用户刷小红书的时候，快速找到这个用户可能感兴趣的一两百篇笔记

好心的小明

【王树森推荐系统】召回11：地理位置召回、作者召回、缓存召回

搭建强化推荐的决策服务架构在线推荐、广告投放等场景中，强化学习推荐系统需要依据当前的用户与环境信息（上下文）即时选择最合适的动作，也就是决定展示哪条新闻或广告。微软研究院发表的论文《Making Contextual Decisions with Low Technical Debt》针对这类“上下文决策”问题，提出了一套通用的决策服务框架——Decision Service。论文链接如下：

【论文阅读】User Diverse Preference Modeling by Multimodal Attentive Metric Learning题目翻译：基于多模态注意度量学习的用户不同偏好建模提出一个**多模态注意力度量学习（MAML, Multimodal Attentive Metric Learning）**方法，

推荐系统里真的存在“反馈循环”吗？推荐系统里真的存在“反馈循环”吗？许多人说，推荐算法不过是把用户早已存在的兴趣挖掘出来，你本来就爱听流行歌、买潮牌玩具，系统只是在合适的时间把它们端到你面前，再怎么迭代，算法也改变不了人的天性，反馈循环像是研究者们的学术噱头。

在未来等你

互联网大厂Java求职面试：电商商品推荐系统中的AI技术应用郑薪苦是一名拥有丰富项目经验但略带幽默感的Java开发者，正在参加某互联网大厂的一场技术面试。面试官是一位从业十余年的技术总监，擅长架构设计和系统优化。

Python数据分析案例74——基于内容的深度学习推荐系统（电影推荐）之前都是标准的表格建模和时间序列的预测，现在做一点不一样的数据结构的模型方法。推荐系统一直是想学想做的，以前读研时候想学没多少相关代码，现在AI资源多了，虽然上班没用到这方面的知识，但是还是想熟悉一下这方面的内容，就找了这么一个电影数据集学习一下，深度学习框架也是自己熟悉的Tensorflow，就做个推荐系统的数据案例分享一下。

【论文阅读】Attentive Collaborative Filtering:Attentive Collaborative Filtering (ACF)、隐式反馈推荐、注意力机制、贝叶斯个性化排序

【论文阅读】Adversarial Training Towards Robust Multimedia Recommender System题目翻译：面向鲁棒多媒体推荐系统的对抗训练论文链接：点这里标签：多媒体推荐、对抗训练、推荐系统鲁棒性

Milvus 向量数据库详解与实践指南Milvus 是一款开源、高性能、可扩展的向量数据库，专门为海量向量数据的存储、索引和检索而设计。它支持近似最近邻搜索（ANN），适用于图像检索、自然语言处理（NLP）、推荐系统、语义搜索、智能问答、多模态数据处理等 AI 应用场景。它能够高效处理：

【论文阅读】Joint Deep Modeling of Users and Items Using Reviews for Recommendation题目翻译：利用评论对用户和项目进行联合深度建模进行推荐原文地址：点这里关键词： DeepCoNN、推荐系统、卷积神经网络、评论建模、协同建模、评分预测、联合建模

&永恒的星河&

深入解析xDeepFM：结合压缩交互网络与深度神经网络的推荐系统新突破今天是周日，我来解读一篇有趣的文章——xDeepFM。这篇文章由 Mao et al. 发表在SIGIR 2019会议。文章提出了一个新的网络模型——压缩交互网络（CIN），用于显式地学习高阶特征交互。通过结合 CIN 和传统的深度神经网络（DNN），形成了一个新的模型 xDeepFM。该模型能够同时学习显式和隐式的高阶特征交互，极大地减少了手动特征工程的工作量，并且在多个真实数据集上表现优异，超越了传统的模型如 FM 和 DeepFM。这项工作对提升特征交互学习的效率具有重要意义，尤其在推荐系统等领域的

10.推荐系统的用户研究接下来我们将学习推荐系统的用户研究。用户研究在推荐系统中扮演着非常重要的角色，通过了解用户的需求和行为，可以进一步优化推荐系统，提升用户体验和满意度。在这一课中，我们将介绍以下内容：

5.实时推荐系统的设计与实现接下来我们将学习实时推荐系统的设计与实现。实时推荐系统需要处理大规模数据，并在用户交互时提供即时的推荐结果。这一课我们将介绍以下内容：

15.推荐系统的实验设计与评估接下来我们将学习推荐系统的实验设计与评估。推荐系统的实验设计与评估是确保推荐系统效果和用户体验的关键步骤，通过科学的方法设计实验和评估指标，可以有效地验证推荐算法的性能和改进效果。在这一课中，我们将介绍以下内容：