工业界真实的推荐系统(小红书)-排序：精排（模型、特征、融分公式、数据服务）、粗排（三塔模型）

已于 2024-03-15 11:24:29 修改
阅读量727 收藏 11
点赞数 7
分类专栏： 小红书推荐系统-王树森 文章标签： 推荐系统 小红书 王树森
于 2024-03-14 18:54:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_17065591/article/details/136718915
版权

课程特点：系统、清晰、实用，原理和落地经验兼具
b站：https://www.bilibili.com/video/BV1HZ421U77y/?spm_id_from=333.337.search-card.all.click&vd_source=b60d8ab7e659b10ea6ea743ede0c5b48
讲义：https://github.com/wangshusen/RecommenderSystem

王树森老师的硬核课程，由于PPT很多，并且老师的很多经验是口述，没有写在PPT里，网上有一些网友的笔记，但不是很完整，学习起来也比较费事，所以我自己整理了120页的PPT（这里放的是截图），期望能比较完整地把老师的经验呈现出来，同时缩短学习时间

【1】工业界真实的推荐系统-小红书（王树森）
【2】工业界真实的推荐系统(小红书)-召回-ItemCF、Swing、UserCF
【3】工业界真实的推荐系统(小红书)-离散特征处理、矩阵补充模型、双塔模型
【4】工业界真实的推荐系统(小红书)-召回-改进双塔模型-自监督学习
【5】工业界真实的推荐系统(小红书)-小红书用到的其他召回通道、曝光过滤 & bloom filter
【6】工业界真实的推荐系统(小红书)-排序：精排（模型、特征、融分公式、数据服务）、粗排（三塔模型）
【7】工业界真实的推荐系统(小红书)-特征交叉：FM、DCN、LHUC、SENet、FiBiNet
【8】工业界真实的推荐系统(小红书)-用户行为序列建模：LastN、DIN、SIM
【9】工业界真实的推荐系统(小红书)-重排：多样性算法-MMR、DPP、结合业务规则
【10】工业界真实的推荐系统(小红书)-AB测试：分层、Holdout机制、反转实验
【11】工业界真实的推荐系统(小红书)-物品冷启动：全链路优化、流量调控（提权、保量、差异化保量）
【12】工业界真实的推荐系统(小红书)-物品冷启动的AB测试
【13】工业界真实的推荐系统(小红书)-涨指标的方法：召回、排序、多样性、特殊人群、利用交互行为

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Wilson-mz
关注
  • 7
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
工业界推荐系统整体架构了解
元气满满晨
05-07 1306
工业推荐系统一般分三部分：在线+近线+离线部分 A、在线部分，一般要经历几个阶段： **召回环节：**将给用户推荐的物品降到千以下规模； 粗排阶段：可选阶段。如果召回阶段返回的物品还是太多，可以加入粗排阶段，该阶段通过一些简单排序模型进一步减少往后续环节传递的物品； 精排阶段： 这里可以使用复杂的模型来对少量物品精准排序； **上业务策略：**对某个用户来说，即使精排推荐结果出来了，一般并不会直...
工业互联网产业联盟：工业互联网标识解析-标识数据模型白皮书.pdf
最新发布
07-19
### 工业互联网标识解析——标识数据模型白皮书核心知识点概述 #### 一、工业数据建模与应用的发展态势 随着全球范围内工业互联网技术的迅速发展，各国纷纷推出相关政策和标准来支持这一领域的技术创新与应用推广...
打造工业级推荐系统（一）：推荐算法工程师的成长之道
weixin_30618985的博客
04-26 645
导读：个性化推荐系统，简单来说就是根据每个人的偏好推荐他喜欢的物品。互联网发展到现在，推荐系统已经无处不在，在各行各业都得到普遍都应用。亚马逊号称 40% 的收入是来自个性化推荐系统的，淘宝的个性化推荐系统也带来非常大的收益，新闻媒体的个性化推荐系统典型的是今日头条，直播平台给用户推荐喜欢的主播，金融网站给用户推荐需要的理财产品，社交网络给用户推荐大 V 或者其他朋友……越来越多的公司将推荐系统作...
一文看懂推荐系统：排序06：粗排三塔模型，性能介于双塔模型和精排模型之间
weixin_46838716的博客
08-22 5351
这节介绍了粗排的三叉模型，它介于双塔模型和精排牌模型之间。
工业界真实的推荐系统-小红书（王树森）
qq_17065591的博客
03-14 1383
王树森老师的硬核课程，由于PPT很多，并且老师的很多经验是口述，没有写在PPT里，网上有一些网友的笔记，但不是很完整，学习起来也比较费事，所以我自己整理了120页的PPT（这里放的是截图），期望能比较完整地把老师的经验呈现出来，同时缩短学习时间。课程特点：系统、清晰、实用，原理和落地经验兼具。
得物社区推荐精排模型演进
SmartCodeTech的博客
07-04 1686
得物社区是一大批年轻人获取潮流信息、分享日常生活的潮流生活社区。其中用户浏览的信息，进行个性化的分发，是由推荐系统来决策完成的。目前得物社区多个场景接入了推荐算法，包括首页推荐双列流、沉浸式视频推荐、分类tab推荐流、直播推荐流等多个场景，为了给用户提供更好的服务和体验，我们从整个推荐系统维度为相关服务做了大量优化。现在主流的推荐系统都会有召回、粗排、精排和机制等多个模块组成，本文主要介绍我们在精排层面演进过程中做的一些工作和思考。
浅谈工业级推荐系统
10-09 520
我们在这一篇文章中为大家阐述了三个工业级推荐系统的重要特征。这三个特征都有别于推荐系统的主流学术研究，但都是推荐系统应用到工业界产品中所需要思考的问题。我希望这三个特性所涵盖的三方面问题可以指导对工业级推荐系统产生更加有高度的认识，从而能够让我们对今后的研究工作有新的启发，起到抛砖引玉的作用。
工业大数据分析综述：模型与算法
01-20
随着条形码、二维码、RFID、工业传感器、自动控制系统、工业互联网、ERP、CAD/CAM/CAE等信息技术在工业领域的广泛应用，大量与工业生产活动相关的数据被实时采集并存储到企业的信息系统中。对这些数据进行分析，有助...
Recommender-System:推荐系统概述
03-11
除了算法之外，还涉及到大数据相关的处理技术以及工程实践，下面总结和整理以工业界的推荐系统通常，包含如下的几个部分：推荐系统的概述及其技术架构召回排序算法内容理解架构工程实践工业界解决方案（以下内容会...
DRL-IDS：基于深度强化学习的工业物联网入侵检测系统.pdf
08-18
在美国能源部橡树岭国家实验室公开发布的工业物联网真实数据集上开展的大量实验表明，所提出的入侵检测系统在检测对工业物联网的多种类型网络攻击时，获得了９９．０９％的准确率，且在准确率、精密度、召回率、F１...
离散控制Matlab代码-koopman-realizations:用于从数据生成线性/双线性/非线性Koopman模型实现并构造MPC控制器
05-23
离散控制系统在现代工程领域扮演着重要角色，特别是在自动化、机器人和航空航天等众多行业中。...koopman-realizations提供的工具不仅对于学术研究有重要意义，也对工业界解决实际控制问题提供了宝贵的资源。
工业界真实的推荐系统(小红书)-涨指标的方法：召回、排序、多样性、特殊人群、利用交互行为
qq_17065591的博客
03-14 756
王树森老师的硬核课程，由于PPT很多，并且老师的很多经验是口述，没有写在PPT里，网上有一些网友的笔记，但不是很完整，学习起来也比较费事，所以我自己整理了120页的PPT（这里放的是截图），期望能比较完整地把老师的经验呈现出来，同时缩短学习时间。课程特点：系统、清晰、实用，原理和落地经验兼具。
说一说【广告搜索推荐系统】里的粗排和精排
从事后台开发11年，欢迎关注，一起交流学习新技术
03-29 1523
等这么一些步骤，其中我们都知道，广告召回是关键步骤，同时，怎么精准预测广告曝光后的效果也是重中之重，并且在这整个过程中，耗时又是不得不考虑的事情，耗时过长，可能ADX就不会等待你的返回了。因此，怎么样既能保证我们需要的广告不被过滤，同时尽可能缩短队列，减小在线预估的计算量，就是重中之重了，因此，本文来跟大家聊一聊广告实时推荐和检索过程中的【粗排】与【精排】。
一文看懂推荐系统：概要02：推荐系统的链路，从召回粗排，到精排，到重排，最终推荐展示给用户
weixin_46838716的博客
08-03 4612
（1）找工作投简历的话，你要将招聘单位的岗位需求和你的研究方向和工作内容对应起来，这样才能契合公司招聘需求，否则它直接把简历给你挂了 （2）你到底是要进公司做推荐系统方向？还是纯cv方向？还是NLP方向？还是语音方向？还是深度学习机器学习技术中台？还是硬件？还是前端开发？后端开发？测试开发？产品？人力？行政？这些你不可能啥都会，你需要找准一个方向，自己有积累，才能去投递，否则面试官跟你聊什么呢？ （3）今日推荐系统学习经验：推荐系统的目标是从物品的数据库中选出几十个物品展示给用户，推荐系统的链路分为召回、粗
推荐系统实现3：多任务精排算法
m0_47637467的博客
06-28 709
推荐系统实现3，多任务精排模型
工业界真实的推荐系统(小红书)-用户行为序列建模：LastN、DIN、SIM
qq_17065591的博客
03-14 501
王树森老师的硬核课程，由于PPT很多，并且老师的很多经验是口述，没有写在PPT里，网上有一些网友的笔记，但不是很完整，学习起来也比较费事，所以我自己整理了120页的PPT（这里放的是截图），期望能比较完整地把老师的经验呈现出来，同时缩短学习时间。课程特点：系统、清晰、实用，原理和落地经验兼具。
目前工业界常用的推荐系统模型有哪些？
永远飞翔的鸟
08-14 414
推荐算法
推荐系统的主要四个阶段（召回、粗排、精排、重排）
热门推荐
记录知识，学习分享
05-10 1万+
传统划分： 1、召回 根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。 特点：速度快。 2、排序 可以融入较多特征，使用复杂模型，来精准地做个性化推荐。 特点：结果精准。 精细划分： 1、召回（多路召回） 根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。 2、粗排（可用可不用，根据场景选择） 通过少量用户和物品特征，简单模型，对召回的结果进行个粗略的排序，保证一定精准的前提下，进一步减少选取的物品数量。 作用：防止用户召回环..
【datawhale202206】pyTorch推荐系统：精排模型 DeepFM&DIN
qq_40990057的博客
06-20 1997
首先讲述了推荐系统的相关背景知识，帮助更好地理解本次所学习的两个模型：DeepFM和DIN在推荐系统中的作用（精排）。包含了DeepFM和DIN两个模型的结构，理解模型的诞生背景或许是更加值得关注的。DeepFM的大背景尝试让模型是学习更多的特征，来提升推荐模型的效果，创新点在于并行处理了FM和DNN，使得高低阶的特征更好地被结合和学习；DIN的大背景是在累积了足够多的历史用户行为数据的应用场景，创新点是引入了注意力机制有针对性地处理历史用户行为数据。.........
一、数据预处理类（DataPreprocess）： 4.词语处理类（WordProcess）： -属性：tokenizedData（分词后的数据），processedWords（经过词语处理后的数据） -方法：processWords()（对词语进行相关处理，如去除停用词、词干提取等） 5.数据增强类（DataAugmentation）： -属性：rawData（原始数据），augmentedData（扩增后的数据） -方法：augment()（对数据进行扩增，生成更多样本） 6.实体识别类（NamedEntityRecognition）： -属性：rawData（原始数据），namedEntities（识别出的实体） -方法：recognizeNamedEntities()（识别文本中的实体） 7.向量化类（Vectorization）： -属性：processedWords（经过词语处理后的数据），vectorizedData（文本向量表示的数据） -方法：vectorize()（将文本转换为向量表示） 8.序列化类（Serialization）： -属性：rawData（原始数据），serializedData（保存到磁盘的数据） -方法：serialize()（将数据保存到磁盘） ,请用标准示例实现以上工业级NLP项目开发中的方法模板,并在代码中逐行注解,让一个NLP新手对以上方法的掌握程度达到NLP高级开发工程师的水平!
07-17
下面是一个工业级NLP项目开发中的方法模板，包含了数据预处理、词语处理、数据增强、实体识别、向量化和序列化等方法，并对每行代码进行了注解： ```python class DataPreprocess: def __init__(self, rawData): self.rawData = rawData self.tokenizedData = None self.processedWords = None def tokenize(self): # 实现文本的分词操作，将原始数据切分成词语列表 self.tokenizedData = tokenize(self.rawData) def processWords(self): # 对分词后的数据进行相关处理，如去除停用词、词干提取等 self.processedWords = process_words(self.tokenizedData) class DataAugmentation: def __init__(self, rawData): self.rawData = rawData self.augmentedData = None def augment(self): # 对原始数据进行扩增操作，生成更多样本 self.augmentedData = augment_data(self.rawData) class NamedEntityRecognition: def __init__(self, rawData): self.rawData = rawData self.namedEntities = None def recognizeNamedEntities(self): # 识别文本中的实体，将实体信息存储到namedEntities属性中 self.namedEntities = recognize_entities(self.rawData) class Vectorization: def __init__(self, processedWords): self.processedWords = processedWords self.vectorizedData = None def vectorize(self): # 将经过词语处理后的数据转换为向量表示 self.vectorizedData = vectorize_data(self.processedWords) class Serialization: def __init__(self, rawData): self.rawData = rawData self.serializedData = None def serialize(self): # 将数据保存到磁盘或其他存储介质中 self.serializedData = serialize_data(self.rawData) ``` 以上是一个简化的示例，你可以根据具体的需求和项目来实现每个方法。在实际的工业级NLP项目开发中，这些方法可能会更加复杂和完善，涉及到更多的数据处理、模型训练和评估等步骤。 希望这个示例对你有帮助！如果还有其他问题，请随时提问。祝你在学习NLP的道路上取得进步！加油！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值