FirstCilck的博客

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 ...

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

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&E 问题 ( 如何应对新用户和新内容 ) 的一些处理方法。E&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&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.

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...

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。...

当新用户或新项目进入内容平台时，就会出现冷启动（Cold Start）问题。 以协同过滤这样的经典推荐系统为例，假设每个用户或项目都有评级，这样我们就可以推断出类似用户/项目的评级，即使这些评级没办法调用。但是，对于新进入的用户/项目，实现这一点很困难，因为我们没有相关的浏览、点击或下载等数据，也就没办法使用矩阵分解技术来“填补空白”。 不过，研究人员已经提出了各种方法来解决冷启动问题。在这篇文章...