搜广推 知识脉络整理

已于 2023-05-26 22:09:58 修改
阅读量1.3k 收藏 8
点赞数 4
分类专栏： 推荐系统 文章标签： 推荐系统 自然语言处理 深度学习 搜广推 人工智能
于 2023-02-02 17:12:21 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/weixin_43646592/article/details/128851296
版权
本文介绍了推荐系统出现的原因及其五个关键环节：嵌入、召回、粗排、精排和重排，详细阐述各环节任务及常用模型，如双塔、FM、协同过滤等，旨在梳理深度学习在推荐系统的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

😄 开始 搜广推 的学习~ 本节我先来理清要学的知识和模型，然后后面我整理好各模型的讲解再在本文对应位置加上超链接。

文章目录

一、推荐系统为何出现？

  • 用户：在用户需求并不十分明确的情况下进行信息的过滤,与搜索系统相比,推荐系统更多的利用用户的各类历史信息猜测其可能喜欢的内容。
  • 公司：解决产品能够最大限度地吸引用户,留存用户,增长用户黏性,提高用户转化率,从而达到公司商目标连续增长的目的。

二、推荐系统的5个环节（各环节的任务+各环节常用模型）?

在这里插入图片描述

1嵌入、2召回、3粗排、4精排、5重排
在这里插入图片描述

1、嵌入

  • 解释：刚采集到的原始 user 与 item

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Diffusion Models专栏文章汇总：入门与实战
沉迷单车的追风少年
02-21 3万+
《DiffusionModels与深度学习》专栏文章导航
大模型——最全梳理 一文搞懂RAG技术的5种范式！
最新发布
03-26 263
高级 RAG 引入了具体的改进措施，以克服 Naive RAG 的局限性。为了提高检索质量，它采用了检索前和检索后策略。为了解决索引问题，高级 RAG 通过使用滑动窗口方法、细粒度分割和元数据的整合，改进了索引技术。此外，它还采用了多种优化方法来简化检索过程。模块化 RAG 架构超越了前两种 RAG 范式，具有更强的适应性和多功能性。它采用了多种策略来改进其组件，例如为相似性搜索添加搜索模块，以及通过微调完善检索器。为应对特定挑战，还引入了重组 RAG 模块和重排 RAG 管道等创新方法。
《搜广推算法指南》(2024版) 重磅发布！
机器学习社区
04-04 5786
因篇幅有限，《搜广推算法指南》（2024版）部分目录如下。本次增加了业内推荐系统与大模型相结合的实践案例，增加了最新的搜广推与大模型相结合的面试题，丰富了搜广推的基础理论、编程能力部门，删除了一些过时的内容。
搜广推算法需求
insist0114的博客
04-20 846
有内容，新闻，短视频等行业的大规模推荐系统研发经验者优先；1.从事机制策略方向的工作，站在竞价广告的最终端，以最贴近业务的方式理解竞价广告，通过策略的研发、推荐技术的优化、自动化客户的服务，体系化的提升商业化变现效率。1.利用丰富优质的内容和海量的用户行为，结合具体的业务场景，优化搜索广告转化率模型，不断提高模型预估的准确度，从而提高搜索广告的投放效果。4. 踏实勤奋，自我驱动，善于沟通，勤于思考，有持续学习新知识的能力，有较强的逻辑思维能力，抽象、概括和总结能力，对于技术有热情。
搜广推校招面经四十一
Y1n的博客
03-10 1192
当优化一个任务时，另一个任务的性能下降。任务之间的损失函数相互竞争，导致模型难以同时优化所有任务。
搜广推基础架构
厉力文武
01-22 905
报警系统：业务指标来自于打点系统，根据设置的阈值报警和报错，并将消息发送到技术人员的手机等设备上；日志系统：存储生产环境下的日志数据，提供实时查询，帮助问题排查和定位，存储失效期比较短；打点系统：记录生产环境下各个系统的实时操作，方便统计、聚合、查看业务的各项运行指标；用户中心：保存全量用户基础信息，如 ID、年龄、性别、地域、教育程度及兴趣标签；内容详情平台：保存内容的详细信息，如标题、正文、图片、视频及超链接等；
一点搜广推的小知识
Angus
05-19 1195
搜广推，解决的核心问题是信息过载，在海量的数据中，信息中做大海捞针的事情。我自己的真是感受，搜索要分为不同的领域。电商、视频、内容搜索是完全不同的，它们的特征差异很大。知识搜索（或者说问答搜索）又是完全区别于电商和视频的。知识搜索更加关注的是对或者不对，又或者说有或者没有。推荐和搜索的思路是相近的。都是召回，粗排，精排，重拍。通常从粗排就开始使用一些模型了。而模型通常更多的是需要特征的构建。
算法工程师面试八股（搜广推方向）
打瞌睡_的博客
12-02 9001
文章目录机器学习线性和逻辑回归模型逻辑回归二分类和多分类的损失函数二分类为什么用交叉熵损失而不用MSE损失？偏差与方差Layer Normalization 和 Batch NormalizationSVM数据不均衡特征选择排序模型树模型进行特征工程的原因GBDTLR和GBDTRF和GBDTXGBoost二阶泰勒展开优势为什么快防止过拟合处理缺失值树停止生长条件处理不平衡数据树剪枝选择最佳分裂点Scalable性特征重要性调参步骤过拟合解决方案对缺失值不敏感XGBoost和RF单棵树哪个更深？XGBoost
喜提一份 ‘凡尔赛’ 式的搜广推面经！
abcdefg90876的博客
12-11 3855
前言 作者是一名今年参加校招的应届生，更是小编的校友学弟，本文写在校招结束三个月后。 希望通过这篇秋招总结帮助到想找搜广推算法岗的后来人。先说一下我个人的情况，非计算机...
[转]PKM－个人知识体系建设
热门推荐
dbbv11995的博客
07-20 1万+
这里集中了本站所有关于个人知识库、个人知识体系方面的文章，下面是展开的目录： PKM理论和方法 艾宾浩斯与他的遗忘曲线 记忆核系统 资料整理的方法 电子资料整理技巧 图书馆馆藏电子资料管理方法分析 浅谈资料...
研究生科研文献搜索、阅读、撰写（查重）方法
weixin_44394352的博客
07-13 1179
文献搜索、阅读、撰写（查重）方法一、文献搜索1、网址2、搜索技巧3、文献管理器Endnote二、文献阅读1、文献阅读顺序2、筛选、阅读文献技巧3、文献笔记技巧三、论文撰写（查重） 一、文献搜索 1、网址 大木虫学术导航. 百度学术，谷歌学术镜像，，， 谷歌学术镜像(找出文章的DOI号) +sci-hub(利用DOI号，免费下载文章) 约等于 无敌 还不够，就参考知乎： 你写论文时发现了哪些非常神的网站 2、搜索技巧 知乎：如何高效检索文献——除关键词外，如何进行筛选。 sci-hub使用方法：谷歌学术镜像
搜广推系统流程
厉力文武
01-22 644
用户上下文：请求用户中心，根据 UID 获取用户基本信息和扩展信息，基本信息为长期无频繁变动的信息，如年龄、性别、地域等，扩展信息为用户中期和短期内频繁变动的信息，如长期（短期）兴趣标签、话题、屏蔽关键字、关注用户、拉黑用户等；请求内容池，根据内容 ID 获取内容详情，详情包括基本信息，如标题、正文、作者，话题、标签、关键字等；内容过滤：包括自身、作者、话题、回答、视频、空标题、空内容、管控内容等；
LLM春招，搜广推，nlp(2)
qq_43058281的博客
03-05 1386
L1范数: 为x向量各个元素绝对值之和。L2范数: 为x向量各个元素平方和的1/2次方，L2范数又称Euclidean范数或Frobenius范数Lp范数: 为x向量各个元素绝对值p次方和的1/p次方.SGD（Stochastic Gradient Descent）、Adam 和动量优化 SGD（Momentum Optimized SGD）都是常用的优化算法，用于训练神经网络模型。它们的主要区别在于更新参数的方式和对学习率的调整方式。
搜广推之特征工程：基本原理和前沿研究（2023）
nihaomafb的博客
09-24 1633
本文主要结合以往工作经验和前沿论文，来分析工业界和学术界中特征工程相关研究点，以及对未来发展的思考。
【面经&八股】搜广推方向：面试记录（一）
Danger的博客
11-27 1345
【面经&八股】搜广推方向：面试记录（一）
搜广推火线入门
诸神缄默不语的博客
10-10 905
搜广推
搜广推模型构建及应用 & 深度学习工程应用两个场景
十一月廿七风雨大作
07-12 6046
作者讲的太好了，一看就是在业务上摸爬滚打很多年的资深算法。内容介绍一、爆发的三要素二、深度学习。
搜广推策略产品经理——互联网大厂搜索+广告+推荐案例
清图出版
12-11 1740
徐修建，前第四范式AI解决方案专家，为国内多家大型零售和金融企业提供过AI咨询服务，曾为国内领先的零售企业从0到1搭建搜索引擎和推荐系统;现为某互联网大厂商业化策略产品专家，负责站内推荐广告投放平台建设和流量策略设计。伦敦大学国王学院数据科学硕士，知乎科技互联网领域知名博主，人人都是产品经理网站专栏作家，公众号“King James讲策略主理人；熟悉搜索引擎、广告系统和推荐系统的产品技术体系，拥有丰富的搜广推领域实战经验。
2024年最新算法工程师面试八股（搜广推方向）_算法岗八股，2024年最新意外收获字节跳动内部资料
2401_84181145的博客
05-14 1057
Adam：本质上是带有动量项的RMSprop，结合了两者的优点，可以为不同的参数计算不同的自适应学习率，实践中常用。tμmt−11−μgttνnt−11−νgt2tmt1−μttnt1−νtθt−ηntϵ​η​AdamW：Adam的变种，主要用于解决权重衰减（weight decay）在Adam中的问题。在计算梯度更新时，将权重衰减的计算从梯度中分离出来，并将其应用于参数更新之前。
探索数据结构：清晰的知识脉络指南
数据结构知识脉络可以分为几个主要的类别，包括线性结构、非线性结构、查找结构和平衡树等。每个类别下又包含若干具体的数据结构，它们各有特点和应用场景。下面详细讲解各类数据结构的关键知识点。 线性结构是最...
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

打赏作者

#苦行僧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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