首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

首次揭秘1112背后的云数据库技术!| Q推荐

从 2009 年到 2021 年,从千万交易额到千亿交易额, 11 已经开展了 12 年。如今,每年的 11 以及一个月后的 12,已经成为真正意义上的全民购物狂欢节。...刚刚过去的 2021 年 11,就有超过 8 亿消费者参与。 与攀升的交易额和参与人数相反, 11 的主要阵地“淘宝 APP”、 12 的主要阵地“天猫 APP”的崩溃情况逐年减少近无。...是什么样的数据库撑起了 2021 年的 11 12 的稳定进行?...《数据 Cool 谈》第三期,阿里巴巴大淘宝技术部 12 队长朱成、阿里巴巴业务平台 11 队长徐培德、阿里巴巴数据库 11 队长陈锦赋与 InfoQ 主编王一鹏,一同揭秘了 11 12 背后的数据库技术...在 11 12,这种方式的弊端会被进一步放大。数据显示,在 11 秒杀系统中,秒杀峰值交易数据每秒超过 50 万笔,是一个非常典型的电商秒杀场景。

31.7K50

达观于敬:知识图谱增强下的智能推荐系统与应用

智能推荐ToB企业服务领域,达观数据已经有了10余年的推荐技术沉淀和上千家客户的行业应用实践经验。...经过激烈鏖战,由他们开发的智能推荐系统对500万听歌用户的数据进行建模,根据每个用户的个性化兴趣偏好从数十万首歌曲库中为每个用户生成千人千面的歌曲推荐结果,推荐精度力克包括来自剑桥大学、牛津大学、密歇根大学等等的...达观智能推荐基于前沿的人工智能和大数据分析挖掘技术,经过多年的产品打磨和持续的行业应用探索,累计服务客户数量达到了上千家。...通俗来讲,就是把不同种类的信息连接在一起得到的一个语义关系网,知识图谱以结构化的方式描述客观世界,沉淀背景知识,将信息知识表示成更接近人类认识世界的形式,已经被广泛应用于搜索引擎、智能推荐智能问答、语言理解...基于知识图谱的推荐方法,按照如何应用知识图谱数据,可以分为三类,分别是基于嵌入的方法、基于连接的方法和基于传播的方法。

66320
您找到你想要的搜索结果了吗?
是的
没有找到

直播继续搅局11

天猫:王牌主播打头阵 作为11赛场的擂主,天猫的11筹备自然是最值得期待的,截至目前公布出的成绩,也能够看出其火热程度。10月20日晚8点,天猫11正式开启预售。...这是天猫11连续第2年降低满减门槛,消费者凑单将更容易。在监管大力整治垄断行为的背景下,各大平台都将刀刃对向自己,试图更加获得消费者的认可。 另一方面天猫也将绿色环保理念融入此次11。...今年11发布会上,天猫宣布将致力于打造一届“低碳11”,同时将全面升级已诞生15年的公益宝贝项目。如今阿里已经成为互联网行业最大的绿色电力交易主体。...今年京东11除了不熬夜外,优惠政策也迎来全面升级。...而个性化推荐榜单可以帮助榜单上的商品在主会场获得更多曝光,这些举动都可以说明抖音平台在不断完善自己电商版块的功能,为更好的GMV业绩铺路。

13.6K30

如何用人工智能预测 11 的交易额?

本文将用一个简单的人工智能算法,即线性回归算法,预测阿里巴巴 2019 年 11 的交易额。 1....处理数据 其次,我把历年 11 的交易额数据,保存到文件「1111.xlsx」中,在林骥的公众号后台回复「1111」,可以获取该文件的链接。...进行预测 接下来,我们调用 sklearn 库中的线性回归算法,对历年 11 的交易额数据进行拟合,并对 2019 年进行预测,预测结果是 2471 亿元。...小结 本文用一个简单的人工智能算法,预测 2019 年 11 的交易额为 2471 亿元,并用图形展示了预测的结果。 到此,预测工作算是基本完成了,但数据分析工作还要继续。...等 11 活动结束之后,我们还应该进行复盘,拿实际数据与预测的结果进行对比分析,计算预测的准确率,分析差异的原因,提出改进的方案,想方设法提高下一次预测的准确率。

2.5K00

助力 11 个性化会场高效交付:Deco 智能代码技术揭秘

Tech 导读 在这次11的个性化会场我们大规模使用Deco进行研发,带来了48%左右的效率提升,本文将为大家揭秘Deco提效之秘。...我们思考「求变」,在智能化思想愈来愈热的当下,传统的研发提效方式遭遇瓶颈,那我们是否能用智能化的思想来解决呢?...Deco 经过 618 大促的初步验证,随后不断升级打磨,在正在火热进行的 11 个性化会场研发中已经广泛投入使用,覆盖 90% 左右的大促楼层模块,为业务研发带来 48% 左右的效率提升。...图3 11部分个性化会场及模块 03如何实现一个设计稿生成代码方案 1、生成静态代码 设计稿智能生成代码的第一步是生成静态化的代码,而这一步的核心是如何根据设计稿生成一份「结构化的数据描述」信息,这份数据称为...图10 空间布局算法 图11 投影布局算法 处理好布局结构生成之后需要进行样式计算,是对经过布局推导层得到的结果进行一系列的计算,例如,基于层级关系,可以通过坐标计算得出 Flexbox 主轴、侧轴;

3.1K20

推荐系统结合知识图谱简单总结

推荐系统简介 一句话来介绍的话,就是通过分析历史数据,来给用户推荐可能会喜欢/购买的商品,这里面的核心就是用户 (User) 和 商品 (Item)。...因此item的建模比较关键,在推荐系统中,目前不少工作开始融合一些结构信息来提高性能与解释性,至于如何建模结构,个人理解已有工作大概可以分为两种类型: 结合知识图谱(Knowledge Graph) 结合异质信息网络...(Heterogenerous Network) 本篇笔记主要集中在推荐系统结合知识图谱的几篇工作做个非常简单的总结,后续如时间允许,会将这一系列补全。...局限性稍微大,需要大量的知识图谱中的额外信息,在实际的推荐中不易获得。 2. 融合方法略微简略粗暴,直接使用向量相加 2 DKN Wang H, Zhang F, Xie X, et al....RippleNet: 将知识图谱作为额外信息,融入到CTR/Top-K推荐 动机 考虑到水波(Ripple)的传播,以user感兴趣的item为seed,在商品知识图谱上向外一圈一圈的扩散到其他的item

96420

11的解药在B端

11的解药在哪里,抑或是电商行业的解药在哪里,或许,早在新零售的概念被提出的那一刻开始就已经有了答案。 这个答案,就是B端。...当供求两端的角色开始发生改变,我们同样看到的是一场有关11的嬗变开始出现,它让我们看到了11新生的希望。从这个角度来看,11的解药,同样在B端。 第四,一个大的市场正在B端打开。...无论是从B端市场的尚未被开垦,还是B端市场为我们展示出来的纵向上的巨大的想象力,我们都可以将B端市场作为一个解决11痛点和难题的正确方式和方法。 表面狂热的背景下,透露出来的是11的无限的焦虑。...纵然是有庞大的销量作为支撑,依然没有延缓人们对于11的质疑与审视。 寻找破解11困局的解药,成为每一个人都在思考的重要课题。...在那里,在B端市场上,或许,才有根治11顽疾的灵丹妙药。

1.7K30

Python基于知识图谱的医生推荐系统

第二个功能是医生推荐,本平台采用基于Jacard距离的Minhash和minhashLSHForest算法来进行推荐, 匹配患者的咨询文本和医生的历史问诊信息,从而为患者推荐最适合的医生,最后我们使用Django...2.4 知识图谱构建 为了进行准确的疾病诊断,我们依托于大规模数据集构建知识图谱。 build_kg模块提供了有关知识图谱构建的信息。...我们通过以上8类关系判断在知识图谱中实体间两两之间的关系,从而计算出患该种疾病的概率。定义知识图谱实体间关系的描述性统计特征如下表所示。...3、医生推荐 在医生推荐模块,平台期望寻找到历史数据中与用户最相似的患者,并找到与之对应到相应的医生,来完成个性化的推荐。...最后,平台通过匹配度较高的问诊记录来推荐医生。 recommend模块提供了有关知识图谱构建的信息。

1.4K41

如何在推荐系统中玩转知识图

识图谱如何应用到推荐系统中呢?今天就给大家带来4篇顶会中典型的知识图谱应用到推荐系统的工作。...,核心是采用推荐任务+知识图谱补全任务联合学习。...现实中的知识图谱一般都是不完整的,这会影响知识图谱在推荐系统中使用的效果。比如有个电影和导员的关系在知识图谱中没有,就会导致即使一个用户点击了很多这个导员的电影,KG也无法推荐这个关系缺失的电影。...这样推荐系统任务也会更新知识图谱的embedding,帮助link prediction任务;同时知识图谱的信息会为推荐系统任务提供额外信息。...5 总结 本文介绍了4篇顶会中知识图谱在推荐系统中的应用,这些方法的核心都是利用知识图谱在item侧扩展实体信息,利用丰富的外部知识为推荐模型提供更多的线索,寻找潜藏在用户点击或购买行为背后的内在原因

59820

深度融合 | 当推荐系统遇见知识图

引入知识图谱进入推荐系统领域的优点在于: 「精确性(precision)」:为物品item引入了更多的语义关系,可以深层次地发现用户兴趣 「多样性(diversity)」:提供了不同的关系连接种类,有利于推荐结果的发散...,避免推荐结果局限于单一类型 「可解释性(explainability)」:连接用户的历史记录和推荐结果,从而提高用户对推荐结果的满意度和接受度,增强用户对推荐系统的信任。...一般使用知识图谱有三种模式,如上图: 「依次学习(one-by-one learning)」 使用知识图谱特征学习得到实体向量和关系向量,然后将这些低维向量(TransR方法等),引入推荐系统再做后面的处理...「联合学习(joint learning)」 将知识图谱特征学习和推荐算法的目标函数结合,使用端到端(end-to-end)的方法进行联合学习。即把知识图谱的损失也纳入到最后的损失函数联合训练。...「交替学习(alternate learning)」 将知识图谱特征学习和推荐算法视为两个分离但又相关的任务,使用多任务学习(multi-task learning)的框架进行交替学习。

1.6K20

基于知识图谱的智能问答方案

而在企业智能应用中,因为有了知识图谱,我可以关联相关的数据来探测异常、控制风险等。 ? 之前看到有人说,作为人工智能的产品经理,不能不了解知识图谱。为何知识图谱在人工智能时代如此重要呢?...可以依据一定的推理规则发现新知识,形成的知识经过质量评估后进入知识图谱。依据知识图谱数据平台可构建语义搜索,智能问答,推荐等应用。 以下是知识图谱构建步骤的详细介绍。...基于知识图谱的相关应用大致可以分为搜索、问答、决策、推荐等几种常见的类别,本文主要就年初规划的xx智能问答建设方案,介绍一下基于知识图谱的智能问答,主要分为如下几个方面: 1、人机对话体系结构 2、问答产品知识结构...在跨终端、多场景领域支持多轮交互、多模式交互(文本、语音和图像)和问题推荐预测、支持多模型识别客户意图,基于客户需求的垂直领域(服务、导购、助手等)均通过智能+人工的方式提供客户极致的客户体验。...这里的智能问答助手主要都是通过机器人、虚拟语音助手、音箱等形态来承接,并且具有多模态识别以及服务推荐、引导、聊天等功能,比一般的文本问答都更智能、更方便。

4.2K32

推荐使用C++ 11

如果你的代码工作正常并且表现良好,你可能会想知道为什么还要使用C++ 11。当然了,使用用最新的技术感觉很好,但是事实上它是否值得呢? 在我看来,答案毫无疑问是肯定的。...C++ 11可以让你的代码更短、更清晰、和更易于阅读,这可以让你的效率更高。...[this](Tank& t) { return t.fuel_level() > _min_fuel_level; }); } // 何问起 hovertree.com 理由6:新的智能指针...现在开始掌握C++ 11 在C++ 11标准中除了上描述的还有更多的改动和新功能,它需要一整本数来描述。不过,我相信它们是值得你花时间去学习的。你将省去以往花在提高效率上的时间。...很多主流的编译器已经开始支持C++ 11的一些标准了。还等什么?开始吧! 推荐: http://www.cnblogs.com/roucheng/p/3456005.html

48120

抢跑11,快手电商下沉突围

快手抢跑11 快手抢食电商业务,也是其在行业竞争中的必由之路。在平台变现途径遭遇天花板后,从流量平台向电商平台转型是快手商业化的突破口。...值得注意的是,快手此次的重点在于对中小卖家做赋能,希望更大力度的在11来临之前抢先预热和获利。...其次,11大战在即,电商军备竞赛加速。今年是快手首次以电商第四级的身份参加电商战役,意义不言而喻。作为电商领域的后起之秀,快手需要尽快拿出实力去验证这个结果。...除此以外,今年“11”将会是直播电商获取新增量的重要场地,虽然快手抢跑了11,想要提早获利。但是11当天才是消费最高点,消费者也更看重11当天的折扣。...想要抵挡未来的竞争,11和接下来的12无疑是最重要的增量点。快手目前需要做的,除了抢滩市场,还应当结合自身优势,不断优化电商体系,才能在未来的电商争夺战取得一个更好的成绩。

1.8K21

大数据揭秘“11”成长史

1111日,本来也就是文艺单身狗们发点牢骚,抒抒情的日子,可如今却变成了电商最惨烈的战场,这场起源于2009年的“品牌商的5折活动”,现如今已经成了一个“疯狂吸金”的强大商标,这一部11的成长史,每一年都给我们一组新的惊人数字...1、 历年双十一销售额 2009年,淘宝在1111日发起“品牌商品五折”活动,当天销售额5000万元;2010年同一天,销售额翻了9 倍,增至9.36亿元;2011年,成交额飙升至52亿元;2012年...2013年,11“光棍节”支付宝交易额达350.19亿元。2014年达到571.12亿元。 ?...淘宝和天猫各自销售额 年份 淘宝(亿元) 天猫(亿元) 2011 18.4 33.6 2012 59 132 2013 未公布 未公布 2014 未公布 未公布 2009年到2011年这三年基本是阿里11...小结: 以上就是历年11的一些大数据,这些数据其实不仅仅是阿里的一个成长,也代表着其他一些变化,比如说:天猫的销售额占总体销售额越来越高,移动端收入占比越来越高,单店销售收入冠军从生活服饰类变成了手机

4K10

【论文推荐】最新六篇知识图谱相关论文—Zero-shot识别、卷积二维知识图谱、变分知识图谱推理、张量分解、推荐

【导读】既昨天推出六篇知识图谱(Knowledge Graph)文章,专知内容组今天又推出最近六篇知识图谱相关文章,为大家进行介绍,欢迎查看! 1....Zero-shot Recognition via Semantic Embeddings and Knowledge Graphs(基于语义嵌入和知识图谱零次识别) ---- ---- 作者:Xiaolong...Convolutional 2D Knowledge Graph Embeddings(卷积二维知识图谱嵌入) ---- ---- 作者:Tim Dettmers,Pasquale Minervini,...Variational Knowledge Graph Reasoning(变分知识图谱推理) ---- ---- 作者:Wenhu Chen,Wenhan Xiong,Xifeng Yan,William...Learning over Knowledge-Base Embeddings for Recommendation(在知识库嵌入的基础上进行推荐) ---- ---- 作者:Yongfeng Zhang

1.7K20
领券