https://index.zshipu.com/geek/tags/%E4%BF%A1%E6%81%AF%E6%B5%81%E6%8E%A8%E8%8D%90/ Recent content in 信息流推荐 on 知识铺的博客 Hugo -- gohugo.io zh-CN Tue, 15 Mar 2022 10:16:58 +0800 https://index.zshipu.com/geek/post/%E4%BA%92%E8%81%94%E7%BD%91/%E7%9F%A5%E8%AF%86%E5%A2%9E%E5%BC%BA%E4%BF%A1%E6%81%AF%E6%B5%81%E6%8E%A8%E8%8D%90%E5%9C%A8%E4%BF%9D%E9%99%A9%E8%A1%8C%E4%B8%9A%E7%9A%84%E5%BA%94%E7%94%A8/ Tue, 15 Mar 2022 10:16:58 +0800 https://index.zshipu.com/geek/post/%E4%BA%92%E8%81%94%E7%BD%91/%E7%9F%A5%E8%AF%86%E5%A2%9E%E5%BC%BA%E4%BF%A1%E6%81%AF%E6%B5%81%E6%8E%A8%E8%8D%90%E5%9C%A8%E4%BF%9D%E9%99%A9%E8%A1%8C%E4%B8%9A%E7%9A%84%E5%BA%94%E7%94%A8/ 作者：深度学习应用组 平安寿险PAI 全文框架概览 一、背景介绍 信息流推荐是当今互联网中AI能力的一个重要应用领域，相关的推荐技术也经历了从简单的协同过滤和关联规则、特征工程加集成学习、FM算法直到深度学习推荐系统的过程。 优秀的信息流推荐系统需要充分利用待推荐文章中的文本信息，通过表示 https://index.zshipu.com/geek/post/%E4%BA%92%E8%81%94%E7%BD%91/%E5%9C%A8%E7%BA%BF%E5%AD%A6%E4%B9%A0%E5%9C%A8%E7%88%B1%E5%A5%87%E8%89%BA%E4%BF%A1%E6%81%AF%E6%B5%81%E6%8E%A8%E8%8D%90%E4%B8%9A%E5%8A%A1%E4%B8%AD%E7%9A%84%E6%8E%A2%E7%B4%A2%E4%B8%8E%E5%AE%9E%E8%B7%B5/ Tue, 15 Mar 2022 09:17:42 +0800 https://index.zshipu.com/geek/post/%E4%BA%92%E8%81%94%E7%BD%91/%E5%9C%A8%E7%BA%BF%E5%AD%A6%E4%B9%A0%E5%9C%A8%E7%88%B1%E5%A5%87%E8%89%BA%E4%BF%A1%E6%81%AF%E6%B5%81%E6%8E%A8%E8%8D%90%E4%B8%9A%E5%8A%A1%E4%B8%AD%E7%9A%84%E6%8E%A2%E7%B4%A2%E4%B8%8E%E5%AE%9E%E8%B7%B5/ 2019 年 11 月 16 日 08:00 奇文 概述 爱奇艺的信息流推荐业务每天会产生数十亿规模的 feed 浏览，如此大规模的数据给模型训练带来了很大的挑战。同时，信息流这类用户与推荐系统的强交互场景也引入了很多有趣的研究课题。对于信息流推荐产品来说，用户和产品交互性高，用户兴趣变化也很快。若模型不能及时更新，排序模型 https://index.zshipu.com/geek/post/%E4%BA%92%E8%81%94%E7%BD%91/%E7%99%BE%E5%BA%A6%E4%BF%A1%E6%81%AF%E6%B5%81%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F%E6%99%BA%E8%83%BD%E4%BA%A4%E4%BB%98%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88%E6%8E%A2%E7%B4%A2/ Tue, 15 Mar 2022 09:05:42 +0800 https://index.zshipu.com/geek/post/%E4%BA%92%E8%81%94%E7%BD%91/%E7%99%BE%E5%BA%A6%E4%BF%A1%E6%81%AF%E6%B5%81%E6%8E%A8%E8%8D%90%E7%B3%BB%E7%BB%9F%E6%99%BA%E8%83%BD%E4%BA%A4%E4%BB%98%E8%A7%A3%E5%86%B3%E6%96%B9%E6%A1%88%E6%8E%A2%E7%B4%A2/ 百度信息流业务QAs团队 稿 导读： 信息流产品为了给大家提供千人千面的内容推荐，后端构建了一个庞大、复杂的推荐系统，整个系统包括上百个模块，上百个策略算法以及模型，并且这个系统以极高速的效率迭代，日均上线近百个需求；这样庞大的系统如何做到这样高速稳定的迭代呢? 这里离不开 PM、RD、Q