检索-搜索
1.Annoy(Approximate Nearest Neighbors Oh Yeah)算法是应用于稠密矩阵的最近邻查找算法,Annoy的目标是建立一个数据结构,使得查询一个最近邻的时间是线性的。Annoy通过对输入矩阵建树来获取O(log n)的检索速度
建库:平面内随机取一个点作为种子节点,随机取200个节点判断每个点和哪个种子距离更近,取上述点的中心为最终的中心点,优缺点:树形检索快;参考文献:http://yongyuan.name/blog/ann-search.html
2. LOPQ,数据动态增删灵活,参考:https://www.sohu.com/a/128426626_642762, http://yongyuan.name/blog/opq-and-hnsw.html
3. HNSW, 占用内存大,召回率高,数据动态增删不易,https://www.codercto.com/a/20748.html
4. Google:谷歌搜索的工作原理简述 https://www.cnbc.com/2018/09/17/google-tests-changes-to-its-search-algorithm-how-search-works.html
5. 淘宝搜索模型如何全面实时化?首次应用于双11
6. 电商搜索算法技术的演进
7. 深入搜索引擎原理
推荐
- IBM
- AI算法与道德规则如何平衡?IBM推出AI推荐技术
- google
- YouTube视频推荐系统为什么那么强?看了这篇文章你就知道了; https://dl.acm.org/doi/10.1145/3298689.3346997
- 重读 Youtube 深度学习推荐系统论文,字字珠玑,惊为神文
- facebook -
- Facebook首次揭秘:超过10亿用户使用的Instagram推荐算法是怎样炼成的;
-
想知道Facebook怎样做推荐?FB开源深度学习推荐模型
-
netflix
-
Netflix推荐系统模型的快速线上评估方法——Interleaving
-
- Instagram
- Instagram 推荐系统:每秒预测 9000 万个模型是怎么做到的
- 拥有 10 亿月活跃用户的 Instagram 是怎么设计内容推荐系统的
- 浙大
- 用户画像:浙大开发算法软件,轻松识别儿童玩手机
- 阿里
- 淘宝如何拥抱短视频时代?视频推荐算法实战
- 如何优化大规模推荐?下一代算法技术JTM来了
- 强化学习用于推荐系统,蚂蚁金服提出生成对抗用户模型
- 电商搜索算法技术的演进
- 短视频如何做到千人千面?FM+GBM排序模型深度解析
- UC研发团队从技术角度聊聊,短视频为何让人停不下来
- 和北大完成的AAAI2018的论文,提出一种基于注意力机制的用户异构行为序列的建模框架,并将其应用到推荐场景中。作者提出用同一种模型同时预测多种类型的用户行为,由于没有使用RNN,CNN等方法,因此在提高效果的同时,该方法能够有更快的训练速度。ATRank An Attention-Based User Behavior Modeling Framework for Recommendation.pdf
- 腾讯
- QQ看点日报内容优化——基于BERT的热点召回系统
实战
- 如何动手设计和构建推荐系统
-
https://towardsdatascience.com/recommendation-systems-in-the-real-world-51e3948772f3
-
什么是推荐系统?有哪些类型的推荐系统?怎么做推荐系统
-
https://medium.com/moosend-engineering-data-science/the-road-to-recommender-systems-d6bb79bd169d
-
利用Python构建一个简单的推荐系统
会议
1. ICML
2. RecSys
3. KDD