小册描述
目录
- 01 | 你真的需要个性化推荐系统吗?
- 02 | 个性化推荐系统有哪些绕不开的经典问题?
- 03 | 这些你必须应该具备的思维模式
- 04 | 画鬼容易画人难:用户画像的“能”和“不能”
- 05 | 从文本到用户画像有多远
- 06 | 超越标签的内容推荐系统
- 07 | 人以群分,你是什么人就看到什么世界
- 08 | 解密“看了又看”和“买了又买”
- 09 | 协同过滤中的相似度计算方法有哪些
- 10 | 那些在Netflix Prize中大放异彩的推荐算法
- 11 | Facebook是怎么为十亿人互相推荐好友的
- 12 | 如果关注排序效果,那么这个模型可以帮到你
- 13 | 经典模型融合办法:线性模型和树模型的组合拳
- 14 | 一网打尽协同过滤、矩阵分解和线性模型
- 15 | 深度和宽度兼具的融合模型 Wide and Deep
- 16 | 简单却有效的Bandit算法
- 17 | 结合上下文信息的Bandit算法
- 18 | 如何将Bandit算法与协同过滤结合使用
- 19 | 深度学习在推荐系统中的应用有哪些?
- 20 | 用RNN构建个性化音乐播单
- 21 | 构建一个科学的排行榜体系
- 22 | 实用的加权采样算法
- 23 | 推荐候选池的去重策略
- 24 | 典型的信息流架构是什么样的
- 25 | Netflix个性化推荐架构
- 26 | 总览推荐架构和搜索、广告的关系
- 27 | 巧妇难为无米之炊:数据采集关键要素
- 28 | 让你的推荐系统反应更快:实时推荐
- 29 | 让数据驱动落地,你需要一个实验平台
- 30 | 推荐系统服务化、存储选型及API设计
- 31 | 推荐系统的测试方法及常用指标介绍
- 32 | 道高一尺魔高一丈:推荐系统的攻防
- 33 | 和推荐系统有关的开源工具及框架介绍
- 34 | 推荐系统在互联网产品商业链条中的地位
- 35 | 说说信息流的前世今生
- 36 | 组建推荐团队及工程师的学习路径