<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[FirstCilck的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/FirstCilck</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; FirstCilck]]></copyright><item><title><![CDATA[教师节特别活动预告：第四范式自研的技术平台及其应用实践]]></title><link>https://blog.csdn.net/FirstCilck/article/details/108468822</link><guid>https://blog.csdn.net/FirstCilck/article/details/108468822</guid><author>FirstCilck</author><pubDate>Tue, 08 Sep 2020 15:00:20 +0800</pubDate><description><![CDATA[三人同行，必有我师！在“教师节”来临之际，天枢特别邀请三位资深技术咖：范式业务产品架构师邢少敏、范式特征工程数据库负责人王太泽、范式机器学习系统架构师石光川，于9月10日周四18:00-19:30进行线上直播分享。



本次分享的主题包含：

1. 智能搜索在零售行业的应用和探索

2. 范式自研的实时特征存储引擎RTIDB及其应用实践

3. 范式自研的HyperCycle自动化建模平台及其应用实践



欢迎大家扫码报名，转发扩散至更多的小伙伴！



了解活动详细内容，请戳下方海报大图



...]]></description><category></category></item><item><title><![CDATA[罗远飞：自动特征工程在推荐系统中的研究]]></title><link>https://blog.csdn.net/FirstCilck/article/details/107110433</link><guid>https://blog.csdn.net/FirstCilck/article/details/107110433</guid><author>FirstCilck</author><pubDate>Fri, 03 Jul 2020 17:35:48 +0800</pubDate><description><![CDATA[第四范式资深研究员罗远飞针对推荐系统中的高维稀疏数据，介绍了如何在指数级搜索空间中，高效地自动生成特征和选择算法；以及如何结合大规模分布式机器学习系统，在显著降低计算、存储和通信代价的情况下，从数据中快速筛选出有效的组合特征。

以下是罗远飞的分享：

大家好！我是第四范式的罗远飞！‍

很高兴能有机会和大家一起交流关于自动机器学习方面的一些工作。‍我在第四范式的工作大都和自动机器学习相关，之前的精力主要集中在自动特征工程。虽然模型改进能够带来稳定的收益，但是更为困难。‍所以如果是在做一个新的业务，‍可以先]]></description><category></category></item><item><title><![CDATA[陈迪豪：推荐系统大规模特征工程与 Spark 基于 LLVM 优化]]></title><link>https://blog.csdn.net/FirstCilck/article/details/107066048</link><guid>https://blog.csdn.net/FirstCilck/article/details/107066048</guid><author>FirstCilck</author><pubDate>Wed, 01 Jul 2020 16:11:06 +0800</pubDate><description><![CDATA[推荐系统学院（Recommended Systems Institute）是第四范式专门为推荐系统爱好者提供的分享推荐系统研究及其应用的系列课程。

Spark作为目前最流行的大数据处理框架，在机器学习场景以及推荐系统中应用非常广泛。第四范式基于LLVM优化了Spark离线计算引擎，支持刚发布的Spark 3，在功能和性能上彻底解决Spark应用不能上线以及效率问题。

本期主题

本次将主要分享第四范式如何基于LLVM优化了Spark离线计算引擎。

你可以：

-了解推荐系统大规模特征工程的实现方案

]]></description><category></category></item><item><title><![CDATA[直播回顾 | 图推荐算法在E&E问题上的应用]]></title><link>https://blog.csdn.net/FirstCilck/article/details/106077341</link><guid>https://blog.csdn.net/FirstCilck/article/details/106077341</guid><author>FirstCilck</author><pubDate>Tue, 12 May 2020 15:28:42 +0800</pubDate><description><![CDATA[导读：本次分享将围绕以图为基础衍生的一类推荐算法原理和应用，以及 E&amp;E 问题 ( 如何应对新用户和新内容 ) 的一些处理方法。E&amp;E 指探索与利用，是推荐系统当中的两个核心问题。

主要内容包括：


	Background
	
	
	Related Work
	
	
	Our Work
	
01

Background

1.推荐系统在 E&amp;E 上的两大难点



在建立推荐系统的模型之前，我们需要获得用户和内容的相关数据。可是在推荐系统的实践中，经常会遇到冷启动的问题，即缺少.]]></description><category></category></item><item><title><![CDATA[直播回顾|第四范式姚权铭：搜索协同过滤中的交互函数]]></title><link>https://blog.csdn.net/FirstCilck/article/details/104396896</link><guid>https://blog.csdn.net/FirstCilck/article/details/104396896</guid><author>FirstCilck</author><pubDate>Wed, 19 Feb 2020 17:50:17 +0800</pubDate><description><![CDATA[导读：怎样刻画用户嵌入向量(user embedding)和物品嵌入向量(item embedding)之间的交互是在评分矩阵上面做协同滤波的关键问题。随着机器学习技术的发展，交互函数(interaction function)渐渐的由最初简单的矩阵内积，发展到现在复杂的结构化神经网络。本文介绍了第四范式研究组将自动化机器学习技术引入推荐系统中的一次尝试；特别地，将交互函数的设计建模成一个结构化神...]]></description><category></category></item><item><title><![CDATA[Quora是如何做推荐的？]]></title><link>https://blog.csdn.net/FirstCilck/article/details/103497200</link><guid>https://blog.csdn.net/FirstCilck/article/details/103497200</guid><author>FirstCilck</author><pubDate>Wed, 11 Dec 2019 18:09:27 +0800</pubDate><description><![CDATA[知乎联合创始人张亮在值乎上问了俞军老师一个问题，「以您的使用体验看，您觉得知乎现在最急需做的三到五项产品改进是哪些？」俞军老师的回答中给的第一个意见就是，「个性化内容的挖掘和推送，我知道知乎里有大量内容是我感兴趣的，但知乎推送的内容只有很少是我愿意点击的，总让我有种入宝山而空回的感觉，这方面网易云音乐、淘宝、今日头条都是不错的学习对象。」那么，有着“美版知乎”之称的Quora是如何做推荐的呢...]]></description><category></category></item><item><title><![CDATA[爱奇艺个性化推荐排序实践]]></title><link>https://blog.csdn.net/FirstCilck/article/details/103405976</link><guid>https://blog.csdn.net/FirstCilck/article/details/103405976</guid><author>FirstCilck</author><pubDate>Thu, 05 Dec 2019 17:29:07 +0800</pubDate><description><![CDATA[1.背景

在当前这个移动互联网时代，除了专业内容的丰富，UGC内容更是爆发式发展，每个用户既是内容的消费者，也成为了内容的创造者。这些海量的内容在满足了我们需求的同时，也使我们寻找所需内容更加困难，在这种情况下个性化推荐应运而生。

个性化推荐是在大数据分析和人工智能技术的基础上，通过研究用户的兴趣偏好，进行个性化计算，从而给用户提供高质量的个性化内容，解决信息过载的问题，更好的满足用户的需求。...]]></description><category></category></item><item><title><![CDATA[直播预告|自动特征工程在推荐系统中的应用研究]]></title><link>https://blog.csdn.net/FirstCilck/article/details/103048561</link><guid>https://blog.csdn.net/FirstCilck/article/details/103048561</guid><author>FirstCilck</author><pubDate>Wed, 13 Nov 2019 14:26:01 +0800</pubDate><description><![CDATA[专注于做推荐系统的你，在工作中有没有遇到过以下这些情况？
做推荐屡屡受挫，很多时候知道方法却没法用，只能没日没夜debug？
想提升技术能力却遇瓶颈，遇到问题脑袋一团浆糊，有时崩溃到怀疑人生？
推荐系统领域的人才不少，就是一个也不认识，感叹无敌是多么的寂寞？
一个优秀的推荐引擎在搭建和迭代过程中，总会面临大大小小各种各样的问题，然而无论在具体问题的解决上，还是在新技术的普及上，很多同学对推荐系统技...]]></description><category></category></item><item><title><![CDATA[基于Elastic Search的推荐系统“召回”策略]]></title><link>https://blog.csdn.net/FirstCilck/article/details/102842084</link><guid>https://blog.csdn.net/FirstCilck/article/details/102842084</guid><author>FirstCilck</author><pubDate>Thu, 31 Oct 2019 17:29:18 +0800</pubDate><description><![CDATA[当我们打开一个资讯APP刷新闻时，有没有想过，系统是如何迅速推送给我们想看的内容？资讯APP背后有一个巨大的内容池，系统是如何判断要不要将某条资讯推送给我们的呢？这就是今天想跟大家探讨的问题——推荐系统中的“召回”策略。

推荐系统中的召回

召回策略主要满足的是能够从海量的数据中召回一部分相关的候选集，在实现方法上也有很多种，主要可以分为离线召回和在线召回。离线召回的方法主要有协同过滤、聚类算法...]]></description><category></category></item><item><title><![CDATA[人工智能领域的顶级学术会议大全（二）]]></title><link>https://blog.csdn.net/FirstCilck/article/details/102686711</link><guid>https://blog.csdn.net/FirstCilck/article/details/102686711</guid><author>FirstCilck</author><pubDate>Tue, 22 Oct 2019 17:18:17 +0800</pubDate><description><![CDATA[不管是工业界还是学术界，了解一个学科或一个行业的前沿、热点，势必要不断获取最新最热门的研究内容。看到好多同学询问人工智能方面的期刊、顶会，看到这篇文章的你不用担心啦！
中国计算机学会整理出了和计算机学科相关的顶会和期刊，还作了区分，先荐将其中与人工智能相关的部分专门整理出来，方便大家查阅。
在上一篇文章中我们介绍了人工智能领域的顶级学术期刊，今天介绍的则是与之相关的顶会。以下的学术会议基本涵盖了和...]]></description><category></category></item><item><title><![CDATA[人工智能领域的顶级学术期刊大全（一）]]></title><link>https://blog.csdn.net/FirstCilck/article/details/102686364</link><guid>https://blog.csdn.net/FirstCilck/article/details/102686364</guid><author>FirstCilck</author><pubDate>Tue, 22 Oct 2019 17:15:41 +0800</pubDate><description><![CDATA[不管是工业界还是学术界，了解一个学科或一个行业的前沿、热点，势必要不断获取最新最热门的研究内容。看到好多同学询问人工智能方面的期刊、顶会，看到这篇文章的你不用担心啦！
中国计算机学会整理出了和计算机学科相关的顶会和期刊，还按照刊物级别作了区分，先荐将其中与人工智能相关的部分专门整理出来，方便大家查阅。
下边的这一篇是与人工智能相关的学术期刊，与之相关的顶会我们会在下一篇文章中依次介绍。以下的学术期...]]></description><category></category></item><item><title><![CDATA[学习推荐系统必看的10篇RecSys论文，收藏！（官方推荐）]]></title><link>https://blog.csdn.net/FirstCilck/article/details/102686279</link><guid>https://blog.csdn.net/FirstCilck/article/details/102686279</guid><author>FirstCilck</author><pubDate>Tue, 22 Oct 2019 17:01:46 +0800</pubDate><description><![CDATA[先荐导读：深入学习任何一门学科，都离不开对前沿知识的了解。对于推荐系统学习者来说，一年一度的RecSys大会就是了解学术界与工业界研究热点的最佳平台。鉴于此，在这篇文章中，我们把过往的RecSys论文整理成一个清单，列出了大家学习推荐系统必看的10篇RecSys论文。
下边这5篇是根据ACM数字图书馆中的阅读量整理出来的。在已发表的925篇论文中，这五篇论文是阅读量最高的。这五篇论文约占所有Rec...]]></description><category></category></item><item><title><![CDATA[关于推荐系统，RecSys 2019大会都讨论了什么？（附论文下载）]]></title><link>https://blog.csdn.net/FirstCilck/article/details/102488479</link><guid>https://blog.csdn.net/FirstCilck/article/details/102488479</guid><author>FirstCilck</author><pubDate>Thu, 10 Oct 2019 18:49:38 +0800</pubDate><description><![CDATA[关键词：推荐系统、深度学习、以用户为中心、可再现性和多任务处理
2019年的推荐系统大会（Recsys） 于今年的9月份在丹麦哥本哈根举行，来自世界各地的909位专家、学者参与了此次会议，迄今为止规模最大的一次。大会涵盖了与推荐系统相关的主题，从推荐系统的社会影响到搭建推荐系统所用的算法。
今年，除了从算法和方法的角度来看待“推荐系统”这一领域外，我们还通过发现、解决推荐系统中存在的问题来进一步认...]]></description><category></category></item><item><title><![CDATA[机器学习过程中，我们该如何分析数据集？]]></title><link>https://blog.csdn.net/FirstCilck/article/details/101379599</link><guid>https://blog.csdn.net/FirstCilck/article/details/101379599</guid><author>FirstCilck</author><pubDate>Wed, 25 Sep 2019 18:42:56 +0800</pubDate><description><![CDATA[拿到一个数据集，我们应该怎么做？
在这篇文章中，我们将深入探讨机器学习核心步骤中的第一步：探索性分析。
在正式开始前，千万不要把这一步与数据可视化或数据结果统计混淆——数据可视化或数据结果统计意味着结果。
恰当的探索性分析其实就是回答问题，就是从数据集中尽可能多地得到数据启发。
在这一篇中，我们会向大家说明在探索性分析过程中需要了解的内容。
为什么要先分析数据集？
探索性分析是为了更好地了解数据集...]]></description><category></category></item><item><title><![CDATA[机器学习就等同于算法吗？]]></title><link>https://blog.csdn.net/FirstCilck/article/details/101198371</link><guid>https://blog.csdn.net/FirstCilck/article/details/101198371</guid><author>FirstCilck</author><pubDate>Mon, 23 Sep 2019 11:28:51 +0800</pubDate><description><![CDATA[在当前的推荐系统中，很多使用了机器学习，有些已经用到了深度学习。那么，机器学习就等同于一堆的算法吗？
答案是：机器学习≠算法。
机器学习≠算法
当我们打开一本教科书，或者大学的教学大纲，通常看到的都是一堆的算法列表。
这也让大家造成了这样的误解：机器学习就是掌握一系列的算法。其实，机器学习并不止步于算法，我们可以把它看做是解决问题的一种综合方法。我们看到的一个个独立的算法，只不过是难题的一角，剩下...]]></description><category></category></item><item><title><![CDATA[大数据流式计算存在的挑战]]></title><link>https://blog.csdn.net/FirstCilck/article/details/100897599</link><guid>https://blog.csdn.net/FirstCilck/article/details/100897599</guid><author>FirstCilck</author><pubDate>Mon, 16 Sep 2019 19:12:43 +0800</pubDate><description><![CDATA[大数据流式计算系统存在诸多挑战，如资源调度、系统容错、动态时间窗口、高效索引策略等诸多方面。本文将从大数据流式计算系统架构的角度，针对当前大数据流式计算环境中存在的两个方面的典型问题进行系统化的分析，即在线环境下的资源调度问题和节点依赖环境下的容错策略问题，并原则性地分别给出了两类问题的解决策略。
1. 在线环境下的资源调度
资源调度是分布式系统中资源管理的关键与核心，也是NP难问题，制约着整个系...]]></description><category></category></item><item><title><![CDATA[流式计算的应用特征]]></title><link>https://blog.csdn.net/FirstCilck/article/details/100746645</link><guid>https://blog.csdn.net/FirstCilck/article/details/100746645</guid><author>FirstCilck</author><pubDate>Wed, 11 Sep 2019 19:32:59 +0800</pubDate><description><![CDATA[流式计算可以广泛应用于金融银行、互联网、物联网等诸多领域，如股市实时分析、插入式广告投放、交通流量实时预警等场景，主要是为了满足该场景下的实时应用需求。数据往往以数据流的形式持续到达数据计算系统，计算功能的实现是通过有向任务图的形式进行描述，数据流在有向任务图中流过后，会实时产生相应的计算结果。整个数据流的处理过程往往是在毫秒级的时间内完成的。
通常情况下，流式计算场景具有以下鲜明特征。


在流...]]></description><category></category></item><item><title><![CDATA[流式计算的三种框架：Storm、Spark和Flink]]></title><link>https://blog.csdn.net/FirstCilck/article/details/100709480</link><guid>https://blog.csdn.net/FirstCilck/article/details/100709480</guid><author>FirstCilck</author><pubDate>Tue, 10 Sep 2019 19:31:06 +0800</pubDate><description><![CDATA[我们知道，大数据的计算模式主要分为批量计算(batch computing)、流式计算(stream computing)、交互计算(interactive computing)、图计算(graph computing)等。其中，流式计算和批量计算是两种主要的大数据计算模式，分别适用于不同的大数据应用场景。
目前主流的流式计算框架有Storm、Spark Streaming、Flink三种，其基本...]]></description><category></category></item><item><title><![CDATA[什么是流式计算？]]></title><link>https://blog.csdn.net/FirstCilck/article/details/100671920</link><guid>https://blog.csdn.net/FirstCilck/article/details/100671920</guid><author>FirstCilck</author><pubDate>Mon, 09 Sep 2019 19:19:26 +0800</pubDate><description><![CDATA[一、流式计算的背景
在日常生活中，我们通常会先把数据存储在一张表中，然后再进行加工、分析，这里就涉及到一个时效性的问题。如果我们处理以年、月为单位的级别的数据，那么多数据的实时性要求并不高；但如果我们处理的是以天、小时，甚至分钟为单位的数据，那么对数据的时效性要求就比较高。在第二种场景下，如果我们仍旧采用传统的数据处理方式，统一收集数据，存储到数据库中，之后在进行分析，就可能无法满足时效性的要求。...]]></description><category></category></item><item><title><![CDATA[案例|推荐系统的评估指标]]></title><link>https://blog.csdn.net/FirstCilck/article/details/100534244</link><guid>https://blog.csdn.net/FirstCilck/article/details/100534244</guid><author>FirstCilck</author><pubDate>Wed, 04 Sep 2019 15:26:13 +0800</pubDate><description><![CDATA[推荐系统能够为用户提供个性化体验，现在基本上各大电商平台、资讯平台都会用推荐系统为自家评价下的用户提供千人千面的服务。平均精度均值（Mean Average Precision，MAP）便是评估推荐系统性能的度量标准之一。
但是，使用其他诊断指标和可视化工具可以让模型评估更加深入，甚至还会带来一些其他启发。本文探讨了召回率、覆盖率、个性化和表内相似性，并使用这些指标来比较三个简单的推荐系统。
Mo...]]></description><category></category></item></channel></rss>