AI 技术内参
洪亮劼
Etsy 数据科学主管,前雅虎研究院资深科学家
33455 人已学习
新⼈⾸单¥98
登录后,你可以任选6讲全文学习
课程目录
已完结/共 166 讲
开篇词 (1讲)
人工智能国际顶级会议 (31讲)
搜索核心技术 (28讲)
推荐系统核心技术 (22讲)
数据科学家与数据科学团队养成 (25讲)
AI 技术内参
15
15
1.0x
00:00/00:00
登录|注册

复盘 2 | 推荐系统核心技术模块

高斯混合模型
隐变量模型的统计分布假设
隐变量的取值推断
模型的假设
考虑用户群体的覆盖率的问题
对用户和系统的交互结果做出响应
能够在一两百毫秒内给用户提供当前的推荐结果
获得通关卡
听音频时长:138分钟
阅读字数:45397字
积跬步以至千里
推荐系统的评价
基于深度学习的推荐模型
推荐的Exploit和Explore算法
高阶推荐模型
基于隐变量的模型
简单推荐模型
现代推荐架构剖析
总结
21张知识卡
推荐系统核心技术

该思维导图由 AI 生成,仅供参考

到目前为止,我们讲完了人工智能核心技术的第二个模块——推荐系统
整个模块共217大主题,希望通过这些内容,能让你对推荐系统核心技术有一个全面系统的认识和理解,为自己进一步学习和提升打下基础。今天我准备了 21 张知识卡,和你一起来对这一模块的内容做一个复盘。
提示:点击知识卡跳转到你最想看的那篇文章,温故而知新。如不能正常跳转,请先将 App 更新到最新版本。

现代推荐架构剖析

推荐架构需要解决的问题:
能够在一两百毫秒内给用户提供当前的推荐结果;
对用户和系统的交互结果做出响应;
考虑用户群体的覆盖率的问题。

简单推荐模型

基于隐变量的模型

我们通过模型的假设,知道隐变量之间的关系,但暂时并不知道隐变量的取值。因此需要通过“推断”过程来确定隐变量的实际取值。当我们知道了这些隐变量的取值之后,就可以根据这些取值来对未来的数据进行预测和分析。
隐变量往往还带有“统计分布”的假设。最简单的隐变量模型是高斯混合模型。
确认放弃笔记?
放弃后所记笔记将不保留。
新功能上线,你的历史笔记已初始化为私密笔记,是否一键批量公开?
批量公开的笔记不会为你同步至部落
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线
笔记
复制
AI
  • 深入了解
  • 翻译
    • 英语
    • 中文简体
    • 中文繁体
    • 法语
    • 德语
    • 日语
    • 韩语
    • 俄语
    • 西班牙语
    • 阿拉伯语
  • 解释
  • 总结

本文总结了一个关于推荐系统核心技术的专栏模块,共包括21期内容,涵盖了现代推荐架构、简单推荐模型、基于隐变量的模型、高阶推荐模型、推荐的Exploit和Explore算法、基于深度学习的推荐模型、推荐系统的评价等多个主题。其中,推荐架构需要解决快速提供推荐结果、响应用户和系统交互结果、考虑用户群体覆盖率等问题。文章还介绍了隐变量模型的推断过程和高阶推荐模型的相关内容。通过阅读本模块,读者已经获得了45397字的知识,听了138分钟的音频,并获得了一张新的通关卡。整体而言,本文为读者提供了对推荐系统核心技术的全面系统认识和理解,为进一步学习和提升打下了基础。

仅可试看部分内容,如需阅读全部内容,请付费购买文章所属专栏
《AI 技术内参》
新⼈⾸单¥98
立即购买
登录 后留言

全部留言(2)

  • 最新
  • 精选
  • 永夜
    感谢老师
    2018-04-18
    4
  • Junjian
    谢谢,获益良多
    2018-11-17
收起评论
大纲
固定大纲
现代推荐架构剖析
简单推荐模型
基于隐变量的模型
显示
设置
留言
2
收藏
沉浸
阅读
分享
手机端
快捷键
回顶部