- 推荐系统工程师需要我又有深度,又有广度。
- 推荐系统每个模块都有很深的技术纵横,都需要持续性的研究和实践才能成为领域专家。
- 推荐系统每个模块都有很深的技术纵横,都需要持续性的研究和实践才能成为领域专家。
-
问题汇总tips
- 关于推荐系统岗位的定位:
- 纯粹的算法工作PHD竞争就已经很激烈了。
- 对于像我这样转行的人,应把重点放在:
- 机器学习工程框架;
- 推荐系统的线上系统;
- 相关大数据pipline等方向上。
- 上述方向同样重要,并对模型创新要求没那么高。
- 在8、9千万数量级用户中,深度学习相比传统机器学习算法能提升多少?值得尝试深度学习么?
- 不同业务交叉对比看,相比传统模型有取得过10%到40%的提升;
- 对于更大用户量、更好的数据质量的话,完全能有这种提升幅度。
- 关于编程语言 :
- 若想做偏业务类的推荐工作,基于经验,需要会用JAVA和python。
- java和python比较友好,并线上的部分,很多都用java来实现。
- 也有C++ 或GO实现的,但我不太了解
- 对于复杂业务场景,一般采用深度学习主模型 + 混合多种推荐策略 ---满足业务需求。注:必须要跟具体业务逻辑结合在一起才能支持实际的需求。
- 线上模型中,对于曝光数据的收集一般通过app埋点和kafka等消息队列服务来进行。
- ?? 目前不懂,到底该怎么实现呢??
- 还是说推荐工程师在这方面得和前端一起合作,接收他们做好收集好的数据?