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...
排序算法
「排序算法」相关文章列表
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...