7M推薦系統(tǒng) - S2 內(nèi)部推薦和排序架構(gòu)

1 召回算法和業(yè)界最佳實踐進階

各種Embedding方法
各種k-means方法kdtree和kball樹

2 用戶建模（召回、排序都會用到）

預(yù)測用戶下一個瀏覽或者購買的類目，性別預(yù)測，年齡預(yù)測等。

3 用戶特征和Item特征的常用方法

Wrappers：一個一個試
Embedded：加入正則
Filters：feature-label相關(guān)性

  • 連續(xù)型特征離散二值化
    離散化：等寬分桶（按值分），均勻分桶（按樣本數(shù)分），k-means
    二值化：要么該特征one-hot，或者three-hot
  • 過程
    特征預(yù)排序通過信息增益IG，添加特征，細篩選特征
  • 泛化和自解釋
    泛化是歷史記錄沒有的
    自解釋是有歷史記錄的
  • 四種類型
    數(shù)值
    類別
    時間
    文本

4 主流技術(shù)方向思考及相應(yīng)model的改進方案

講了一遍冷啟動

講了這三個算法

推薦流程概念 33：40

  • 核心指標(biāo)
    GMV：一定時間內(nèi)的商品成交總額
    QPS
    RT：系統(tǒng)響應(yīng) < 0.1s
    優(yōu)化排序：讓模型參數(shù)減少，層數(shù)減少，但是效果會降低，是tradeoff
    推薦和搜索有什么關(guān)系？
    1.推薦做的好，搜索的流量下降
    2.搜索這個工具是必要的
    推薦做的好 -> 用戶粘性，用戶留存 -> DAU GMV
    （短視頻/電影）推薦系統(tǒng)和電商推薦系統(tǒng)相比，區(qū)別是什么？
    視頻推薦多看重時長，電商推薦看是否購買
    量級的不同，存儲方式，計算量，算法都不同
  • 核心業(yè)務(wù)
    首猜：首頁猜你喜歡
    詳情頁（相關(guān)推薦，播放頁，關(guān)燈頁）
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容