作者：Ivan Medvedev, Haotian Wu, Taylor Gordon 编译：ronghuaiyang 导读 给大家介绍一下Instagram的Explore智能推荐系统的一些概要。 总的来说，这些解决方案代表了一个基于 3 部分排名漏斗的高效人工智能系统，该系统提取 650 亿个特征，每秒做出 9000 万个模型预测。 我们需要进行大规模快速试验的能力，我们需要在人们的兴趣范围内获得更强的信号，我们需要一种计算效率高的方法来确保我们的推荐是高质量和新鲜的。 例如，一种算法可能有效地识别长期兴趣，而另一种算法可能在根据最近的内容识别推荐方面表现得更好。 通过不同类型的信息来源，我们能够为普通人找到成千上万的合格候选人。我们想要确保我们推荐的内容既安全又适合探索的全球社区的许多年龄。
题记：推荐引擎根据的分类根据数据源，分为基于人口统计学的（用户年龄或性别相同判定为相似用户）、基于内容的（物品具有相同关键词和Tag，没有考虑人为因素），以及基于协同过滤的推荐（发现物品，内容或用户的相关性推荐 （机器学习，所谓机器学习，即让计算机像人脑一样持续学习，是人工智能领域内的一个子领域）。 推荐算法： 潜在因子（Latent Factor）算法。 应用领域：“网易云音乐歌单个性化推荐”、“豆瓣电台音乐推荐”等。 关键因素： 评分矩阵的UV分解的理解。 算法思想： 每个用户（user）都有自己的偏好，比如A喜欢带有小清新的、吉他伴奏的、王菲等元素（latent factor），如果一首歌（item）带有这些元素，那么就将这首歌推荐给该用户 因此我们队张三推荐四首歌中得分最高的B，对李四推荐得分最高的C，王五推荐B。 如果用矩阵表示即为： ?
一键领取预热专享618元代金券，2核2G云服务器爆品秒杀低至18元！云产品首单低0.8折起，企业用户购买域名1元起…
本文介绍如何接入腾讯云智能推荐， 快速获得上百人专业算法团队、二十亿+用户画像、几乎覆盖全部网民的推荐系统能力。 本文介绍如何使用豆瓣图书的openAPI抓取图书信息，上报图书信息、用户浏览点击行为到腾讯云智能推荐系统，通过API获取推荐结果。 物料上报： 步骤1我们已经获取到了物料库， 接下来通过腾讯云智能推荐item上报API上报物料，API详情参考API文档。 场景id申请： 智能推荐的所有行为都是围绕场景展开的， 首先上传适合当前场景的物料，接下来， 拉取当前场景下对用户的推荐结果；再上报用户在当前场景的流量、点击、转换等行为数据， 修正推荐结果。 场景可以理解为产品的一个推荐位， 比如很多产品有猜你喜欢的栏目。 可以在腾讯云官网智能推荐控制台创建场景， 获得场景id。 本文规划两个场景： 首页推荐和详情页推荐，申请两个场景id。 4.
0.内容提要 随着知识爆炸的新社会形态逐渐明晰，如何从纷繁复杂的知识中获取到自己最想要的那一个已经成为热门问题，比如商品个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台，可以帮助用户在商品选择方面提供个性化的决策支持 基于内容推荐方法的优点： （1）不需要其他用户的数据，没有冷开始问题和稀疏问题； （2）能为具有特殊兴趣爱好的用户进行推荐； （3）能推荐新的或者不是很流行的项目，没有新项目问题； （4）通过列出推荐项目的内容特征 协同过滤最大的优点是对推荐对象没有特殊的要求，能处理非结构化的复杂对象，如音乐，电影。 基于知识推荐 基于知识推荐在某种程度上可以看成一种推理技术，它不是建立在用户需要和偏好的基础上推荐的。基于知识的方法因它们所用的功能知识不同而有明显的区别。 尽管从理论上有很多种推荐组合方法，但在某一具体问题中并不见得都有效，组合推荐的一个重要原则就是通过组合后要能避免或弥补各自推荐技术的弱点。
为了更好地支撑多种个性化场景推荐业务，推荐系统一直在迭代优化升级，未来将朝着“满屏皆智能推荐”的方向发展。 1.1、推荐产品发展过程 推荐产品发展历程主要经历了几个阶段（图1），由简单的关联推荐过程到个性化推荐，逐步过渡到场景智能推荐。 从相关、相似的产品推荐过渡到多特征、多维度、用户实时行为、结合用户场景进行的全方位智能推荐。 ? 京东推荐用户画像技术体系如图11所示。 用户画像在京东各终端的推荐产品中都有应用，618推出的智能卖场是用户画像的典型应用场景。 智能卖场的产品包括发现好货、个性化楼层、秒杀、活动、优惠券、分类、标签等。
兴趣建模： 根据用户过去的喜好来推测未来可能喜欢什么物料的过程。 2. 早期的推荐系统 早期的花椒推荐系统是基于热度推荐的。 智能推荐遇上花椒直播 7.1 直播内容的理解和识别 直播中的推荐和商品推荐等场景有所不同，是“活的”而不是“死的”，因为直播是长时间连续性的，并且内容是实时在变的，比如用户喜欢看跳舞直播，那么当主播不跳的时候用户可能也不想看了 Reference 本文是Microstrong在观看花椒直播推荐系统高级算法工程师王洋在B站上讲解的《智能推荐算法在直播场景中的应用》视频的笔记。 【1】花椒直播推荐系统高级算法工程师王洋：智能推荐系统在直播场景中的应用，视频，地址：https://www.bilibili.com/video/av90507035? t=1453 【2】回顾 | 花椒直播推荐系统高级算法架构师王洋：智能推荐算法在直播场景中的应用，地址：https://mp.weixin.qq.com/s/1Hrl25TjDKiEvPa35RDyNQ
智能推荐引擎的基本逻辑是什么？热门、兴趣、地域、探索四大策略逻辑，预测群体的行为。 智能推荐爆红于资讯产业是因为啥？海量信息带动海量反馈数据推导出精准算法。 智能推荐会干掉媒体人么？ 智能推荐，很多人看的这个说法的第一反应是，这玩意靠谱么？ 要回答这个问题，回顾一下智能推荐的诞生和发展就知道为什么会这样了。 1，需求驱动产生了智能推荐 互联网早期的资讯门户是第一个成功的产品。 典型的如Hulu和淘宝都大量应用了智能推荐。但不管怎么用，他们的智能推荐仍然处于辅助路径上。 但进入移动互联网时代，智能推荐已经开始从辅助路径转变到主路径上。 之前看有人写过一篇看衰智能推荐的文章，很有代表性。正好我也总结一些大家对智能推荐普遍的疑问或误解，简单做下回答。 1，智能推荐会不会越推越窄，让你成为井底之蛙？ 答案当然是肯定不会。 四问老蔡：媒体的未来，会在智能推荐引擎的影响下，变成什么样？ 1：智能推荐引擎卡位在门户和搜索中间 智能推荐引擎是搜索引擎的同胞兄弟，他们的底层逻辑基本一致。
它会将搜索引擎打造成一个看似智能的系统，能够理解用户和业务的需求。让搜索引擎理解内容中包含的重要特征（feature）：比如餐厅的位置，书中出现的词汇，或者衬衫的颜色这样的属性。 搜索引擎面临的挑战，就是在不同特征之间做出选择，并实现能满足用户与业务需求的信号。 然而，技术只是实现相关性的工具，明白要做什么可能比知道怎么做更重要。“相关性”在某个具体应用里的含义大相径庭。 电商网站为了达成交易，就要根据用户的搜索行为、历史数据等信息，为用户推荐合适的商品，促进销售。 医疗、法律和学术研究领域的专家搜索，通过更为深入地挖掘文本来定义相关性。 经典的信息检索技术对于解决相关性问题，确实能有所帮助，但是还有一些问题则爱莫能助。这些问题很大程度上游离于搜索技术之外，且涉及更为广泛的各种产品策略问题：我们的用户是谁？他们希望通过这个应用得到什么？ ---- 虽说一图胜千言，但仅凭图中展示的流程尚不足以完成具体应用的实现，你还需要《相关性搜索：利用Solr与Elasticsearch创建智能应用》（原著书名：Relevant Search
另一方面，智能推荐系统，本质上是从一堆看似杂乱无章的原始流水数据中，抽象出用户的兴趣因子，挖掘出用户的偏好，因此把深度学习与推荐系统相结合成为近年来DL发展的一个新热点，事实上，Spotify，Netflix (Convolutional Neural Network, CNN)，详细介绍它们的原理，如何与智能推荐相结合以及线上的模型效果。 五：小结 本文详细分析了RBM在推荐系统中的应用，从文中分析可以看出，RBM对推荐系统的提升主要得益于它具有自动提取抽象特征的能力，这也是深度学习作用于推荐系统的基础。 后面的文章中，将继续分析RNN和CNN如何在提取抽象特征的基础上，进一步提升推荐系统的性能。 www.cs.toronto.edu/~rsalakhu/papers/rbmcf.pdf [3] https://www.cs.toronto.edu/~hinton/absps/guideTR.pdf 文章来自：腾讯数字音乐部智能推荐组
01 前言 智能推荐和泛的营销完全不同，后者是将产品卖给客户作为最终目标；而智能推荐是以“客户需求”为导向的，是给客户带来价值的。 本文就将详细介绍如何用Python实现智能推荐算法，主要将分为两个部分： 详细原理介绍 Python代码实战 02 常见的推荐系统与算法 常见的推荐系统分类有： 基于应用领域: 电子商务/社交好友推荐等 基于设计思想: 基于协同过滤的推荐等 基于使用数据: 基于用户标签的推荐等 ? 生活理解：消费者平时较少单独购买桌角防撞海绵，可能偶尔想到或自己小孩碰到的时候才会想起购买，如果我们在桌子(书桌饭桌)的成功下单页面添加桌角防撞海绵的推荐，则很大程度上可以提高防撞海绵的销量。 用户并未产生消费，为其推荐某样商品 ? 最后总结一下，基于关联规则的 Apriori 算法是智能推荐领域十分经典的应用之一，简单易上手。
02 先聊人工智能 说推荐系统之前先掰掰人工智能，这个词估计大家能能听得懂，毕竟是风口上的名词，想没听过也难。那么问题来了，你觉得推荐系统与人工智能有什么关系？ 这典型就是对于人工智能定义认知的问题，个人认为人工智能就是一个偏业务的定义，多维度多学科交叉的概念，压根儿就不好以技术维度去对比去评判。其核心的三要素就是：算法、计算能力以及数据。 所以，追究其本质，其实也是算法模型+计算过程+基础数据的流程，并且最终达到了机器自动化、智能化的效果，从广义的角度来说，或许复杂一些的推荐系统或许也能纳入人工智能的范畴了（真心怕那种一说到人工智能=神经网络的选手 比如，你好奇什么是人工智能，那么你就会用诸如谷歌、或者国产大百度去搜索，然后获取到相关网页，去点击查看，最终完成你了解人工智能这个信息获取的目的。 其实不是的，尴尬的是推的不对，东西推对了就尴尬了，比如你正在浏览一个信息，正在愁这个信息还没解决你的问题的时候，系统啪丢给你几个新增的信息，说这个几个信息可能能解决的问题，你一看我凑，这正是我要的，感谢万能的推荐系统
外域平台顶图.png ---- 导读：京东智能商客之推荐卖点是基于NLP的产品，目前已广泛地助力和赋能于京东商城的各个平台。今天和大家分享一下自然语言处理如何在工业界落地实现。 主要围绕以下5个方面展开： 推荐卖点技术背景 架构描述 核心AI技术 模型研发与实践 产品的落地与回报 -- 01 推荐卖点技术背景 1. 什么是推荐卖点，用推荐卖点能做什么事情？ 为了生成高质量的卖点文案，需要做到以下几点： 能够捕捉到内容的特色点，足够吸睛； 文案长度有限，需要简短精巧，但包含重要信息； 能够实现个性化分发，针对不同的目标用户展示不同的推荐理由。 智能卖点创作的技术流程 整个智能卖点创作模块分为两个部分： 卖点短文案的提取和生成，采用基于商品详情和用户评论的文本生成技术； 个性化卖点分发，采用基于用户画像的用户个性化卖点分发技术。 此外，推荐卖点也广泛地赋能于主站、京喜、极速版、通天塔活动页等多个应用场景。 image.png
摩拜单车于昨日对外宣布，将于本月陆续在北京、天津、上海、广州、深圳、济南、银川、临汾等共8个城市率先落地“摩拜智能推荐停车点”，预计第一批停车点数量超百个。 ? 据摩拜方面介绍，即将落地的“摩拜智能推荐停车点”主要由智能停车桩和地面围栏线所划出的区域构成。智能停车桩延用了该品牌单车“摩拜橙”与“摩拜黑”的双色结合的设计。 据悉，摩拜此次推出的智能停车桩搭载了一体化的太阳能供电系统，以持久而稳定的为停车桩提供零污染能源。 此外，停车桩的智能模块还采用了无线信号发射技术，不仅肯可实现亚米级的定位，还可以在实时掌握该停车点区域内单车数量、状态、位置以及各区间的流量情况等信息后，为运营人员提供车辆投放、调度和运维等方面的智能指引 摩拜方面表示，智能推荐停车点的落地或将解决“禁骑”区域的乱停车问题，不仅能够缓解乱停放现象，提高车辆周转效率，还能科学的分析和解决潮汐效应带来的供给不平衡问题，以满足庞大的用户需求。
Request 智能推荐 是否存在一个有效的工具，能基于业务本身的特性自动推荐甚至设置 Request 数值？ 这样无疑对开发运维来说极大的减轻了负担。 为解决这样的问题，TKE 成本大师推出了 Request 智能推荐的工具。 关于 Limit，Request 智能推荐功能推荐的 Limit ，以初始 Request 智能推荐功能设置的 Request 与 Limit 之比计算。 若新推荐的 CPU 的 Request 数值为 500m，则会推荐 Limit 为 1000m。 更多关于 Request 智能推荐的使用请参考：Request 智能推荐产品文档[2]。 AHPA 当然 ，Request 智能推荐不是银弹，因为应用的资源消耗并不是一成不变的，大量的应用都存在潮汐现象，业务高峰和低谷所需要的资源存在着几倍甚至几十倍的差距。
另一方面，智能推荐系统，本质上是从一堆看似杂乱无章的原始流水数据中，抽象出用户的兴趣因子，挖掘出用户的偏好，因此把深度学习与推荐系统相结合成为近年来DL发展的一个新热点，事实上，Spotify，Netflix (Convolutional Neural Network, CNN)，详细介绍它们的原理，如何与智能推荐相结合以及线上的模型效果。 ，这样，在解码的过程中，我们不但能得到已评分物品的新的评分数据，还能对未评分的物品的得分进行预测，这些未评分物品的分数从高到低的排序形成推荐列表。 五：小结 本文详细分析了RBM在推荐系统中的应用，从文中分析可以看出，RBM对推荐系统的提升主要得益于它具有自动提取抽象特征的能力，这也是深度学习作用于推荐系统的基础。 后面的文章中，将继续分析RNN和CNN如何在提取抽象特征的基础上，进一步提升推荐系统的性能。
集生态、技术、场景于一体，采用业界领先的AI学习技术和智能推荐算法，基于腾讯多年在超大型场景中积累的最佳实践方法论，助力客户业务实现增长的企业级应用产品。
扫码关注云+社区
领取腾讯云代金券
云服务器
测试服务 WeTest
文件存储
命令行工具
SSL 证书