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。
Uberland
Alex Rosenblat / University of California Press / 2018-11-19 / GBP 21.00
Silicon Valley technology is transforming the way we work, and Uber is leading the charge. An American startup that promised to deliver entrepreneurship for the masses through its technology, Uber ins......一起来看看 《Uberland》 这本书的介绍吧!
