- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据派THU
独家 | 一文读懂LinkedIn个性化推荐模型及建模原理
，并解释建模原理以及如何通过Photon-ML来实现，使其能够惠及数亿用户。 本质上它们都是统计模型，需要克服序列决策过程、高维数据的交互建模，开发可伸缩的统计方法等诸多困难。 在本文中，我们将重点关注个性化推荐模型，并解释建模原理以及如何通过Photon–ML来实现，使其惠及数亿用户。 Photon-ML的个性化模型构建 LinkedIn通过应用Photon-ML，显著提升了许多产品的用户参与度和业务指标。下面举例说明如何使用广义可加混合效应模型（GAME）进行个性化的工作推荐。 对于一个在过去申请很多职位的用户，我们能够准确地估计他/她的个人系数向量αm并提供个性化的预测。
1.5K100发布于 2018-01-30 - 来自专栏王的机器
信用风险建模 in Python 系列 6 - 阈值模型校正
完整代码和数据 链接：https://pan.baidu.com/s/1FVku6WefSBfhRwWILiaCrw 提取码：vx4p 本文是「信用风险建模 in Python」系列的第六篇，其实在之前的
1.4K20发布于 2020-08-20 - 来自专栏别先生
Elasticsearch 6.x版本全文检索学习之数据建模
1、什么是数据建模。 答：数据建模，英文为Data Modeling，为创建数据模型的过程。 3、Elasticsearch的数据建模，es是基于lucene以倒排索引为基础实现的存储体系，不遵循关系型数据库中的范式约定。 ? 4、Elasticsearch的数据建模中Mapping字段的相关设置。 答：a、enabled，值包含true、false。仅存储，不做搜索或者聚合分析。 6、Mapping字段属性的设定流程，是何种类型的。 答：a、字符串类型，需要分词则设定为text类型的，否则设置为keyword类型的。 一般字段过多的原因是由于没有高质量的数据建模导致的，比如dynamic设置为true。也可以考虑拆分多个索引来解决问题。
1.3K20发布于 2019-11-14 Sitecore个性化 - 什么是历史个性化？
顾名思义，Sitecore中的历史个性化允许您根据访问者过去在您网站上的行为来设置个性化规则。 许多组织选择Sitecore 作为其高级个性化功能的网站平台 - 历史个性化只是一种方法。 查看我们关于Sitecore个性化的文章- 基础知识 历史个性化如何运作？ 想象一下，你是一家白色家电制造商或零售商。 您计划在过去六个月内通过特别优惠向所有购买新洗衣机的客户发送电子邮件。 这是历史个性化。 个性化需要发挥人们的情感，让他们对自己和品牌感觉良好。 为什么历史个性化很重要？ 通过为现有客户推出数字红地毯，为他们提供个性化的产品，服务和体验，您可以推动销售和交叉销售机会，并将他们变成生活的拥护者 - 从而推动新客户您。 如何在Sitecore中设置历史个性化？ 使用Sitecore访客概要分析 访问者分析是开始使用Sitecore强大的个性化功能的简单方法。 通过创建访问者个人资料，您可以根据他们的兴趣，当然还有他们的历史记录，为访问者提供内容。
39200编辑于 2025-04-05- 来自专栏机器学习从入门到成神
面向电信行业存量用户的智能套餐个性化匹配模型(top6)
1、赛题链接：面向电信行业存量用户的智能套餐个性化匹配模型 2、赛题任务： 利用已有的用户属性(如个人基本信息、用户画像信息等)、终端属性 (如终端品牌等)、业务属性、消费习惯及偏好匹配用户最合适的套餐，对用户进行推送，完成后续个性化服务。 5、搭建模型： 模型： 十折的lightgbm模型 + 五折的xgboost模型 xgboost实在是太慢了，没有GPU加成的话貌似要跑差不多一个白天，但是用上GPU精度就降低了。 6、模型融合： 通过林有夕大神分享的投票代码进行融合，有一点收益但是不大。 7、处理： 我们队伍是失败了，大概思路就是对模型分不开的两个套餐加一个权重。决赛队伍应该都是有分享的。
2.2K10发布于 2019-04-09 - 来自专栏软件方法
UMLChina建模竞赛第3赛季第6轮：随身老印医
[多选]A公司正在开发“新一代供应链系统”，目标组织定位为动力电池厂商B公司，以下可以算作领域专家的有： A) A公司架构师张三，曾负责公司多个供应链系统的业务流程建模、实体-关系建模。 D)可以借此机会构建一套名为“印医驱动设计的敏锐建模方法”的全新软件开发方法学。
42220编辑于 2022-05-27 - 来自专栏喵叔's 专栏
RavenDB建模--常见建模方案
在 RavenDB 中对如何在应用程序中进行数据建模没有任何要求，我们可以使用任何形式进行建模，RavenDB 只关心如何构建数据，这就是我们后续几篇文章要讲解的内容。 public Parent Mother { get; set; } public Registration Registration { get; set; } } 我们在建模时应遵循 RavenDB 建模的核心原则，要确定哪些信息可以放在一起，哪些信息是独立的，这就是我们上篇文章介绍的优秀的文档模型应具备独立、隔离和连贯性。 另一种情况是，如果需要对文档进行并发活动，由于文档是 RavenDB 中的并发单位，因此需要对文档进行建模，以便它们具有更改的单一原因。
97910编辑于 2022-03-22 - 来自专栏phodal
元素建模：探索建模的要素
随着我们不断深入软件架构的设计里，我们也会不断也尝试着一系列不同的方法，诸如于我的同事 @少个分号 在那篇《建模方法元模型：如何设计一个建模方法》一文里，对于不同建模方式进行了简单的介绍，并进行了相关的拆解和分析 再回到面向对象这一点来看的话，建模就变成了一件非常有意思的事。 建模“建模”：从概念到模型 回到我们所开发的软件系统里，其系统的核心组成部分是由一个个的概念所组成。 建模的方式：基于“事实”的软件建模 PS：对于事实，从语言的角度，可能使用纪实、叙实会比较合适。 基于凭证的建模：履约建模 履约建模是一个比较新的建模方法，它基于凭证的方式来设计系统。其核心要素是：作为业务凭证，只存在创建，不存在修改和删除。 建模建模 从某种意义上来说，寻找这些“事实”的过程，便是系统状态的表征过程。
68230编辑于 2021-12-04 - 来自专栏算法工程师的学习日志
Simulink建模与仿真（6）-Simulink使用基础（MATLAB的单元与结构体）
分享一个系列，关于Simulink建模与仿真，尽量整理成体系 1. 字符串数据 MATLAB作为高性能的科学计算平台，不仅提供高精度的数值计算功能，而且还提供对多种数据类型的支持。
1.1K10编辑于 2023-09-18 - 来自专栏大数据学习与分享
数据建模-维度建模-维度设计
导读： 在Kimball维度建模中，通常将度量称为“事实”，将环境描述为“维度”，维度是用于分析事实所需要的多样环境。维度和维度属性是维度的两个核心概念，如何构建维度的属性是维度设计中需要关注的。 作为维度建模的核心，我们在企业级的数据仓库中必须保证维度的唯一性。以淘宝商品维度为例，我们有且只允许有一个维度定义。 第二步：确定主维度表。 二、第二部分 在Kimball维度建模中，通常将度量称为“事实”，将环境描述为“维度”，维度是用于分析事实所需要的多样环境。 02 快照维表 维度的基本概念中介绍了自然键和代理键的定义，在Kimball的维度建模中，必须使用代理键作为每个维度表的主键，用于处理缓慢变化维度。 其中VIP等级共有8个值，-1~6；用户信用评价等级共有18个值。假设基于VIP等级和用户信用评价等级构建微型维度，则在此微型维度中共有8*18个组合，即144条记录，代理键可能是1~144。
2K31编辑于 2023-09-06 - 来自专栏往期博文
数学建模暑期集训6：用SPSS对数据进行多元线性回归分析
在本专栏的第六篇数学建模学习笔记（六）多元回归分析算法（matlab）博文中，记录了如何用matlab进行多元回归分析。本篇则将使用spss软件达到同样的效果，且使用起来比matlab更为方便。
3.8K20编辑于 2022-06-14 - 来自专栏数据库相关
vim个性化配置
地址： https://github.com/spf13/spf13-vim Requires Git 1.7+ and Vim 7.3+ curl https://j.mp/spf13-vim3 -L > spf13-vim.sh && sh spf13-vim.sh 即可一键安装
59840发布于 2019-09-17 - 来自专栏Java架构师必看
个性化的分页
没有办法，想个性化功能，只有自已动手来做了，呵呵。 我们一步步的来，首先是导入需要的命名空间。下面的例子，其实也是我从国外找来的，再加上点个人的东东，再汉化，呵呵。 Namespace="System.Data.SQL" %> 我们先看看，我们的web控件是哪些，再看看代码是怎么写的，这样比较好：） <body>
个性化的分页实例 Font-Name="Verdana" Font-Size="8pt" AutoPostBack="true" />
<table bgcolor="#eeeeee" cellpadding="<em>6</em>" int)MyDataGrid.CurrentPageIndex+1); lblPageCount.Text = "总页数是： " + MyDataGrid.PageCount; } 到此为止，我们的个性化页面已经完成了
1K20发布于 2021-03-22 - 来自专栏WriteSimpleDemo
vim 个性化设置
以下脚本实现了F1插入shell文件头，F2插入python文件头，F5更新文件头中日期，F6更新工具版本（没有对应版本行时插入版本行） 本文脚本已上传github: https://github.com PedroQin") " 追加第四行 call append(5,"# Email : constmyheart@163.com") " 追加第五行 call append(6, constmyheart@163.com") call append(5,"# Date : " . strftime("%Y-%m-%d %H:%M:%S")) call append(6, : call HappyShell()<cr> "实现键盘映射 map <F2> : call HappyPython()<cr> map <F5> : call Title()<cr> map <F6> NormalNormal模式 normal G 跳到最后一行 其他个性化设置 " edit my vimrc let mapleader = "-" " 设置快捷键前缀为 - nnoremap <leader
2.4K20发布于 2019-12-18 - 来自专栏小小挖掘机
个性化推荐技术
在这个时代背景下，信息爆炸与长尾问题普遍发生，而解决方案之一是个性化推荐技术，那具体什么是个性化推荐，怎么去实现这一过程呢？ 这一章读者朋友需要做到的是读完以后，对个性化推荐技术有一个全局宏观的认识，对于细节不用过多地苛求。 1. 因为在电商产品中，在非个性化的商品展示过程中，往往爆款商品拥有更多的流量，这样其实不能很好的照顾到高质量长尾用户和高质量长尾商品。 基于模型（这个比较抽象）：利用数学建模的手段，评估你的购买意图，将模型计算出来的得分最高的推荐给你 基于内容：在茫茫商品中，总有一些商品他们的属性、描述很像；当你看了某些商品后，推荐系统会将内容上最相似的那些上商品推荐给你 其它：基于统计/知识等 目前主流推荐系统都是以上各个策略的混合 6.
2.5K51发布于 2019-05-10 - 来自专栏frytea
Putty个性化配置
"="255,255,255" "Colour2"="0,0,0" "Colour3"="85,85,85" "Colour4"="0,0,0" "Colour5"="0,255,0" "Colour6"
3.8K30发布于 2020-08-24 - 来自专栏居士说AI
个性化设置技巧
个性化设置技巧 子墨居士 前言 本次内容主要是win10系统自带的功能，不是用第三方软件优化桌面的情况下，让自己的电脑桌面能更美观、更舒服。系统自身的个性化设置主要是下图中的几个。 鼠标右击->个性化设置。 第三方软件的效果会更好，毕竟是专门做美化的。 一、桌面设置 桌面的设置主要有背景和图标，这两个很容易影响美观。 1.1 桌面背景 鼠标右键/设置->个性化->背景 进行设置 也可以选中想要设为桌面的图片->鼠标右键->设为桌面背景，就像下面这样操作。 三、“开始”菜单设置 在前言中，图片已经显示出来，开始和任务栏都是在个性化中设置的。关于开始菜单的设置如下图所示，系统给的设置没有几个。 4.1进入任务栏设置 1)开始菜单->设置->个性化->任务栏 2)鼠标放于任务栏->单击右键->任务栏设置 第二种方式的菜单中有很多的设置，有兴趣的朋友们自己去试一试咯。
2.4K20编辑于 2022-06-02 - 来自专栏Java架构师必看
建模 python_整数规划建模例题
今天说一说建模 python_整数规划建模例题,希望能够帮助大家进步!!! Python之建模规划篇--整数规划 基本介绍 整数规划的分类 整数规划的特点 求解方法分类 0 - 1 型整数规划 蒙特卡洛法 (随机取样法) 整数线性规划的计算机求解 分枝定界法 Python *x(3)^2+4*x(4)^2+2*x(5)-8*x(1)-2*x(2)-3*x(3)-... x(4)-2*x(5); g=[sum(x)-400 x(1)+2*x(2)+2*x(3)+x(4)+6* x(5)-800 2*x(1)+x(2)+6*x(3)-200 x(3)+x(4)+5*x(5)-200] 只听到从架构师办公室传来架构君的声音: 我有嘉宾，德音孔昭。 image.png image.png 这里用一个指派问题作为例子进行解决 若用Matlab解决,代码如下 clc, clear c=[3 8 2 10 3;8 7 2 9 7;6 4
2K10编辑于 2022-07-19 - 来自专栏窦融的专栏
个性化推荐 101
如上图所示是游戏个性化推荐和人工运营精品推荐的效果对比，可以看出自个性化推荐上线后点击率效果差别是很大的。为什么会这样呢？ 现在这种个性化的需求越来越普遍，也促成了各产品各业务对个性化的强烈需求。 三、When？ 什么时候需要做个性化推荐呢？ Tips：有可能会出现正样本相比负样本少得多的情况，这样就需要针对负样本重构，正样本全选，然后按1:（4-6）的比例去随机选取负样本子集，来作为最终样本放入模型；样本及其特征选取的时间段最好不要包含节假期等特殊时间 第二步：模型训练，把第一步准备好的样本及特征分训练集和测试集两部分（一般6:4或7:3）放入模型进行训练。 6. 池子数据（item_pool） 格式 pool_iditem_id 翻译 池子ID 待推荐物品ID 存储 R2共享内存 注意 分隔符，空格或者制表符。每行两列。 参考文献：特征工程方法综述
6K51发布于 2017-07-14 - 来自专栏RelaxHeart网聊聊Java
SpringBoot 个性化 Banner
前言 -------------------------------------- 当我们开发了一套自己的系统时，如果加上自己的一个个性化Banner，会不会让我们的程序更加别具一格呢，下面我们能就来介绍一下 [springboot 默认banner.png] 定制我们自己的个性banne -------------------------------------------------- 那我们如何把这一个性化体现在我们的项目中呢 [在线生成banner.txt.png] 第二步： 然后把下载的banner.txt放到我们项目的resources资源目录下： [banner.txt位置.png] 第三步： 重新启动就可以了 [个性化
4.1K40发布于 2019-05-17
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号