内容简介：赠书活动持续进行中，下周一开奖【点击查看详情】
“
本文分为四部分介绍机器学习在微博信息流中的应用实践，分别为：微博信息流推荐场景介绍，内容理解与用户画像，大规模推荐系统实践和总结展望。
”
赠书活动持续进行中，下周一开奖【点击查看详情】
微博信息流推荐场景介绍
微博的feed流内容形态各异，有视频，图片，文字，长文，问答等，其用户量也很大，2018年Q2统计DAU（日活）为1.9亿，MAU（月活）为4.3亿，这么庞大的用户量，如何做好首页feed流的个性化推荐就显得格外重要。
内容理解与用户画像
由于个性化推荐是给用户推荐其感兴趣的内容，所以对于微博的内容理解和用户画像部分就显得格外重要。
内容理解即通过文本内容理解和视觉理解技术，对微博内容进行细粒度表征，即形成每篇微博内容的表征向量。
用户画像即基于用户的发博内容，行为数据，自填信息等进行深度挖掘，精准分析刻画用户，从而在进行微博内容推送时能够实现其个性化。
大规模推荐系统实践
目前推荐架构的实现思路都是先从海量原始数据中，依据用户画像，召回用户偏好的数据，在利用 排序 算法对其进行排序，最终选择top K返回给用户。微博推荐亦是如此。其整体的流程图如下所示：
物料召回：即从候选物料集合中粗筛物料，作为进行模型的待排序物料。
算法排序则是结合相关特征对物料召回的内容进行预估排序，其特征主要分为：用户特征，内容特征，环境特征，组合特征和上下文特征等。
总结与展望
-
总结
-
业务和数据决定了模型算法的应用场景
-
模型算法殊途同归
-
工程能力和算法架构是基本保障
-
展望
-
采用多模型融合，能更好的对非结构化内容进行表征
-
更多的融合网络结构适用于CTR预估场景
在这浮躁的社会沉静，用心记录，用心学习！
关于【数据与算法联盟】
专注于推荐系统，深度学习，机器学习，数据挖掘，云计算，人工智能，架构和编程等技术干货的分享和探讨，偶尔会推送一些福利，文字，摄影和游记，扫码关注，不再孤单。
更多干货，扫码关注
热
相关文章
欢迎投稿，凡是投稿一经录用者，赠送技术图书和相关学习资料
国内各大互联网公司，可内推
关注公众号，加小编微信，拉你进
【 数据与算法交流群 】
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- [译] 从 Instagram 故事流和信息流机器学习中吸取的教训
- 搜狗信息流推荐算法实践
- 蘑菇街内容信息流排序实践
- 浅析信息流产品内容中心的存储
- 使用 Emacs 阅读邮件与 Feed 信息流
- 天猫精灵 App 首页信息流是怎样实现的
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Access2003数据库开发典型范例
王樵民 / 第1版 (2006年8月1日) / 2006-8 / 42.00元
Access数据库管理软件是一套集数据管理、程序开发功能于一体的高级办公软件，是特别适合普通办公人员进行日常工作的有力助手。本书面向非计算机专业人员，通过多个实例讲解Access中的各种开发技术，介绍实际工作过程中应用软件的编制方法，以及与Excel等软件之间的信息互用技术等内容。能够帮助读者快速掌握Access数据库的开发技术，构建解决自己工作中实际问题的数据库管理系统，从而提高办公效率。一起来看看 《Access2003数据库开发典型范例》 这本书的介绍吧!
