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，PPT 做得非常棒。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...

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...

探索和利用（EE）问题 探索与利用（Exploration and Exploitation）问题简称 EE 问题，是计算广告和推荐系统里最常见的两大问题之一（另外一个是冷启动问题）。EE 问题中的利用（Exploitation），表示对...

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...

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...

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...

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，MF）是协同过...

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...

内容分析通常包括文本分析，图片分析和视频分析。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，没有内容及文本标签，就无法得到用户兴趣标签。另外...

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...