人生的意义，其实就是寻找、发现、创造、体现并传递意义。换句话说，人生本来是没有所谓先天定义的意义的。如果有，那只能说有生物进化上的意义，那就是物种的生存和繁殖。而人，不仅仅是生物的个体，更是社会，文化和精神的个体，我们肯定会有高于动物本性的智慧和理性，因此， 作为一个有积极人性的人，我们其实是用一生证明了自己的存在不是一种偶然；我们的一生也不是平淡无奇的等待死亡的过程。它一定要有特殊的属于我们自己的意义和价值的。
近日读到一篇非常不错的文章，忍不住转载过来，方便日后学习查阅，作者是新浪微博的张俊林，之前有幸听过他在线下的技术分享，印象深刻。这篇文章涵盖推荐系统最重要的三个环节：召回、排序、重排序涉及的相关技术路线，通过近两年的经典案例和论文，归纳总结了相关技术的发展演化趋势。 本文在原文的基础上，添加了相关论文的下载链接，并为了提高阅读性，文章排版稍有修改。 原文...
多目标排序综述 在之前的🔖《推荐系统中的排序学习》一文中，我在最后简单提到过排序学习的一大作用就是可以用于多目标排序，也顺带提到了其他解决方案，本文我们就重点介绍另外一种解决方案，多任务学习。 还是先了解一下背景，介绍一下什么是多目标排序。 多目标排序通常是指有两个或两个以上的目标函数，目的是寻求一种排序使得所有的目标函数都达到最优或满意。 在工业界推...
应用综述 上一篇文章我们提到 Embedding 的源头、原理、以及在推荐系统场景下常用的几种延伸方法，这篇文章则通过解读 YouTube、Airbnb、Alibaba 的三篇经典论文，来总结 Embedding 在工业界的一些用法和技巧，这三篇论文亮点众多，提供的经验非常值得我们去细细品味和借鉴。这篇文章篇幅较多，几乎把三篇论文的重要内容都进行了解读和总...
自 Embedding 的概念问世以来，Embedding 的探索和应用就没有停止过，Word2Vec、Sentence2Vec、Doc2Vec、Item2Vec，甚至 Everything2Vec。对，“万物皆可 Embedding”。几年来，Embedding 在推荐系统中的应用也越来越多，方式众多，技法新颖。 在之前的文章中，《文本内容分析算法》和 ...
排序学习（Learning to Rank，LTR），也称机器排序学习（Machine-learned Ranking，MLR) ，就是使用机器学习的技术解决排序问题。自从机器学习的思想逐步渗透到信息检索等领域之后，如何利用机器学习来提升信息检索的性能水平变成了近些年来非常热门的研究话题，因此产生了各类基于机器学习的排序算法，也带来了搜索引擎技术的成熟和发展...
简介 推荐领域的人一般都会听说过十年前 Netflix Prize 的那场比赛，这一年可以说是推荐算法的春天，从比赛中诞生了众多推荐算法，而矩阵分解就是其中非常著名的一个。矩阵分解（Matrix Factorization，FM）是协同过滤的一个分支算法，在推荐领域具有崇高的地位，因为它同时兼具了协同过滤、隐语义以及机器学习的特性，再加上矩阵分解易于实现和...
简介 协同过滤（Collaborative filtering，CF）与基于内容的推荐算法一样，也是一个非常古老的推荐算法。但是直至今日，协同过滤依然是应用最广泛的推荐算法，在推荐领域占有极其重要的地位，甚至 “协同过滤” 一度成为推荐系统的代名词。按维基百科的说法，协同过滤有广义和狭义两种定义，广义协同过滤是指采用某项技术，对多源数据（如不同的代理、视点...
简介 内容分析通常包括文本分析，图片分析和视频分析等。本文是 《基于内容的推荐算法》单独整理的一篇内容，因最常见到的还是文本的分析，本篇主讲文本分析。文本分析在推荐系统中一个很重要的作用是用户兴趣建模，另外通过内容理解和特征提取，文本分析还可以直接帮助内容推荐，也可辅助生成频道内容，因此文本内容分析算法在基于内容的推荐系统中非常重要，尤其是新闻资讯类应用。...
简介 基于内容的推荐算法（Content-Based Recommendations，CB）非常古老，应该是最早被使用的推荐算法，虽是一个年代久远的算法，但即便放在深度学习十分火热的当下，基于内容的推荐算法依然被工业界广泛使用，足以证明其具有不可替代的优势，也经受了时间的检验。 基于内容的推荐系统是利用物品的内容信息来进行推荐的一种方法，最早主要是应用在...
赞赞赞！
已更正
是的，可以将矩阵分解后的隐向量作为物品特征向量作为输出的一部分进行保存，保存这些隐向量的好处是可以在
已更正