- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯云开发者社区推荐
亿级用户，腾讯看点信息流推荐系统的架构挑战
导语 | 看点信息流每天为亿级用户提供海量实时推荐服务，除了大并发/低延迟/高性能等传统架构挑战以外，还有哪些推荐系统特有的架构挑战难题，又是如何解决的？ 视频内容 一、看点信息流 在 QQ 浏览器的主页可以看到腾讯看点的信息流，信息流有三种形态：小视频、短视频、图文，属于业界信息流最主要的形态。 二、看点信息流基本架构和挑战 信息流已经发展很多年了，架构层面都是大同小异。一个信息流系统分为最底部的数据层，包括了倒排/特征/用户模型；数据层上面是召回，召回有隐式召回、显式召回等。 再举一个用户模型例子，在信息流中进行浏览，不点击与亚马逊有关的文章，这一次不点击的行为在下一次刷新就可以反馈出来，这是对用户模型的要求，是大型信息流的标配。 Q：新用户如何推荐？ A：用户维度就是去拿额外的数据，内容维度就是新热。 Q：信息流推荐里怎么利用用户搜索画像呢？
3.9K284248发布于 2020-10-19 - 来自专栏小小挖掘机
推荐系统遇上深度学习(一三一)-信息流推荐中局部视野感知的重排序方法
1、背景 信息流场景下，用户的行为会受到相邻展示的item的影响，如价格敏感的用户会对比相邻展示的item的价格，选择价格相对较低的item进行购买。 在信息流的浏览过程中，用户的浏览行为存在以下两种特性： 1）单向性（Unidirectivity）：用户在信息流的浏览过程中大都是从上往下浏览，很少来回进行物品的对比。 信息流中下文展示的item对上文展示的item的影响是十分有限的，但上文展示的item对下文展示的item却有非常大的影响，论文称具有锚定效应（anchoring effect ），即第一印象或第一信息更容易支配人们的判断 之间的相互影响权重，这里与Self-Attention的计算相同： Global Scope Attention（GSA） GSA主要用于建模全局item之间的相互影响， 如在背景中的介绍，用户在信息流中的浏览过程具有单向性
1.1K20编辑于 2022-04-06 - 来自专栏全栈程序员必看
推荐使用C++ 11
如果你的代码工作正常并且表现良好，你可能会想知道为什么还要使用C++ 11。当然了，使用用最新的技术感觉很好，但是事实上它是否值得呢？ 在我看来，答案毫无疑问是肯定的。 C++ 11可以让你的代码更短、更清晰、和更易于阅读，这可以让你的效率更高。 C++ 11提供了一种方法来检查先决条件并尽早的在可能的时机捕获错误-编译过程中，在你运行代码前。这就是理由9。 这是通过静态断言(static_assert)和类别属性模版实现的。 现在开始掌握C++ 11 在C++ 11标准中除了上描述的还有更多的改动和新功能，它需要一整本数来描述。不过，我相信它们是值得你花时间去学习的。你将省去以往花在提高效率上的时间。 很多主流的编译器已经开始支持C++ 11的一些标准了。还等什么？开始吧！ 推荐： http://www.cnblogs.com/roucheng/p/3456005.html
1.3K20编辑于 2021-12-24 - 来自专栏ShowMeAI研究中心
大厂技术实现 | 腾讯信息流推荐排序中的并联双塔CTR结构 @推荐与计算广告系列
双塔模型是推荐、搜索、广告等多个领域的算法实现中最常用和经典的结构，实际各公司应用时，双塔结构中的每个塔会做结构升级，用CTR预估中的新网络结构替代全连接DNN，本期看到的是腾讯浏览器团队的推荐场景下， ⛵ 大厂技术实现的数据集下载（百度网盘）：公众号『ShowMeAI研究中心』回复『大厂』，或者点击 这里 获取本文 腾讯信息流推荐排序中的并联双塔CTR结构 『CTR预估方法实现数据集与代码』⭐ ShowMeAI 官方GitHub：https://github.com/ShowMeAI-Hub/multi-task-learning---一、双塔模型结构1.1 模型结构介绍双塔模型广泛应用于推荐、搜索、广告等多个领域的召回和排序阶段 图片1.3 双塔模型的优化 腾讯信息流团队（QQ 浏览器小说推荐场景） 基于以上限制对双塔模型结构进行优化，增强模型结构与效果上，取得了不错的收益，具体做法为：把双塔结构中的DNN简单结构，替换有效CTR 』大厂解决方案大厂技术实现 | 多目标优化及应用（含代码实现）@推荐与广告计算系列大厂技术实现 | 爱奇艺短视频推荐业务中的多目标优化实践@推荐与计算广告系列大厂技术实现 | 腾讯信息流推荐排序中的并联双塔
4.3K113编辑于 2022-08-15 - 来自专栏产品的技术小课
效率工具推荐（第11期）
适用于快速创建一个数据类的报告，它上面有很多报告模版和图表，选择好模版后，可编辑模版里面的数据和增加/替换图表组件，制作好后可导出报告，报告格式支持png、pdf格式。
1.2K10编辑于 2022-04-01 - 来自专栏肉眼品世界
腾讯QQ看点信息流推荐业务：内容分发场景的多目标架构实践
今天给大家带来腾讯资深架构工程师⻢臻在2021年全球架构师峰会上所做的分享《内容分发场景的多目标架构实践.pdf》，本次分享共包含如下两大部分： 1、QQ看点推荐场景介绍和业务挑战； 2、多目标迭代架构实践
70211编辑于 2022-06-15 - 来自专栏tkokof 的技术,小趣及杂念
C++11(14) 简易推荐小记~
之前了解过一些C++新标准的内容，觉得很不错，在此写篇小记，简易推荐一下~ 容器内元素操作是个很普通的需求，工作中应是屡见不鲜，这里假设有个list容器，存储的是一系列int，表达的意思就算作是年龄吧 不急，咱们一行行来看： auto add_one = [](auto& val){ ++val; }; auto 本来便是C++中的一个关键字，用于自动变量的声明（虽然我从来也没用过），在C++11 beg = l.begin(); 所以这里我们就是定义了一个自动类型推导的add_one变量，至于后面那个诡异的初始化表达式： [](auto& val){ ++val; } 其实是C++11 std::end(container)，而没有直接调用 container.begin() 和 container.end()，原因其实还是为了通用性：std::begin和std::end 是C++11 print_one和print也如出一辙，最后值得一提的便是容器新的初始化方式了： std::list<int> l = { 25, 25, 25, 25, 25, 36 }; 这里我们用到了C++11
52320发布于 2018-08-02 - 来自专栏简说基因
Nextflow生物信息流程（一）：简介
Nextflow通过容器来实现可扩展且可重复的数据分析工作流程。它适用于最常见的脚本语言编写的流水线。其流畅的DSL简化了在云和集群上实现和部署复杂并行的生信数据分析流程。
1.2K12编辑于 2023-12-11 - 来自专栏机器学习/数据可视化
吴恩达笔记11_推荐系统
吴恩达机器学习-11-推荐系统Recommender Systems 本周中主要讲解了推荐系统的相关知识。 推荐系统应该是目前机器学习领域或者说人工智能领域最热门的方向之一，还有NLP、CV等，主要内容包含： 推荐系统简介 基于内容的推荐系统 协同过滤 推荐系统 推荐系统概述 常见的推荐系统有三种主要的应用常景 ： 个性化推荐：常以“推荐”、“猜你喜欢”、“发现”等形式出现，一般放在首页位置 相关推荐：常以“相关推荐”、“看了还看”等形式出现，一般放在内容详情页 热门推荐：基于各种数据进行计算，得到的排行榜，支持全局排行以及分类排行等 选择合适的场景，个性化或者相关的、热门的，来给用户进行推荐。 个性化推荐系统解决的是用户很内容的关联关系，它是二者之间的桥梁。 如，亚马逊推荐新书给你，网飞公司试图推荐新电影给你，等等。 这些推荐系统，根据浏览你过去买过什么书，或过去评价过什么电影来判断。这些系统会带来很大一部分收入，比如为亚马逊和像网飞这样的公司。
1.1K10发布于 2021-03-02 - 来自专栏编程
2017年11月R新包推荐
文档概述 11月份，在R官方（CRAN）共计发布了237个新包，本文选摘了40个R包，包含以下几个类别：计算方法、数据、数据科学、科学、社会科学、工具及可视化等，其余包大家可登录CRAN自行查看，希望有助于大家的学习 数据科学 1）imbalance v0.1.1: 提供了多种算法处理不平衡数据集（重点推荐）. 2）intrinsicdimension v1.1.0: 为评估数据集的内在维度实现了多种方法，该问题出现在 trialr v0.0.1: 提供一个贝叶斯临床试验设计的展示，在RStan包和R中实现，同时包含第一次在R中实现的一些设计 (例如：EffTox’ by Thall & Cook (2004). 11
1.1K80发布于 2018-01-29 - 来自专栏java一日一条
推荐11个挺常用的IDEA插件
11、Translation 地址：https://plugins.jetbrains.com/plugin/8579-translation 最好用的翻译插件，功能很强大，界面很漂亮 ?
1.3K20发布于 2019-10-15 - 来自专栏四火的唠叨
谈谈微信的信息流
下面两图都是我手机上的截图，左边是新的信息流模式，右边是信息流界面下点击右上角图标，回到的 “类似以往” 的基于订阅号发布者的模式。 先看看基于时间信息流这一半 首先，微信公众号文章发布的实时性如何？有一定实时性，但是远没有那么高的实时性，也就是说，9 点钟的消息，我 11 点看到，也没什么大不了的。 从这个角度说，基于时间的信息流，有益，但多数情况下并不能带来特别大的好处。而且，微信信息流优先级还不完善，用户更感兴趣的内容很容易被淹没在茫茫信息大海之中。 其次，微信公众号的文章数量如何？ 如果文章数量众多，那么基于信息流一定程度上可以提高浏览效率。 但是信息流以后呢？文章质量的重要程度，明显下降。 再说说基于订阅号的这另一半 订阅号最大的好处，在于基于消息发布者的消息组织。
1.1K10编辑于 2022-07-19 - 来自专栏深度学习自然语言处理
腾讯信息流热点挖掘技术实践
分享嘉宾：罗锦文 腾讯 研究员 编辑整理：Jane Zhang 出品平台：DataFunTalk 导读：当前各大资讯社交类APP都在显著的版面展示或者推荐热点相关内容，信息流应用能否快速发现热点、引导用户阅读热点 用户搜索和媒体生产能够从消费和生产两个方面更加准确的度量热度，事件和话题同时能够辅助用户理解，做到热点的个性化下发，从而提升信息流热点体验。 接下来能看到热点推荐有没有从事件推荐的角度来理解文章。有没有从事件的角度来理解文章，是提升热点推荐效果需要重点讨论的点。带着这几个问题，来看看传统的相关研究是怎么解决这个问题的。 ，提升热点推荐的效果。 作为信息流服务的团队，每天打交道最多的是海量数据。当热门发生时，自媒体作者会主动跟进热点，创作文章跟进这些内容，比如当科比去世的一个小时后，即便是凌晨四点，作者也会也及时更新做报道。
2.3K21发布于 2020-09-30 - 来自专栏Albert陈凯
2019-11-15 JVM参数调优推荐
关键业务系统的JVM参数推荐(2018仲夏版) Posted on 2018-07-20 by calvin 年更贴，因为两年里遇到的事情，一些想法变了。 安全第一，没有很好的因由，不要随便因为网上某篇文章的推荐(包括你现在在读的这篇)就去设置。 1. 性能篇 1.1 建议的性能参数 1. 内存与GC篇 2.1 GC策略 为了稳健，还是8G以下的堆还是CMS好了，G1现在虽然是默认了，但其实在小堆里的表现也没有比CMS好，还是JDK11的ZGC引人期待。 《关键业务系统的JVM启动参数推荐》，转载请保留链接。
2.2K20发布于 2019-11-15 - 来自专栏GitHub专栏
推荐 11 个极易上手的 Docker 实践项目！
给新手们推荐11个极易上手的Docker实践项目。 而且还提供了 docker 一件构建，安装运行十分方便，推荐作为学习项目。 11、diving 地址: https://github.com/vicanso/diving star: 149 fork: 15 基于 dive 分析 docker 镜像，界面化展示了镜像每层的变动
2.9K30发布于 2020-11-13 - 来自专栏民工哥技术之路
推荐 11 个极易上手的 Docker 实践项目
给新手们推荐11个极易上手的Docker实践项目。 而且还提供了 docker 一件构建，安装运行十分方便，推荐作为学习项目。 ? 11. diving 地址: http s:// github.com/vicanso/diving star: 136 fork: 12 基于 dive 分析 docker 镜像，界面化展示了镜像每层的变动
6.9K20发布于 2020-11-03 - 来自专栏程序员的成长之路
推荐 11 个 GitHub 上比较热门的 Java 项目
https://github.com/skylot/jadx Star 13804
1.5K20发布于 2019-05-14 - 来自专栏Java研发军团
推荐11个GitHub上比较热门的Java项目
JavaScript 控件： ● TableView(数据表格控件), 可配置标题, 计数, 行复选框, 过滤器, 分页, 排序, 多选 ● PagerView(分页控件) ● SortView(排序控件) 11
1.4K20发布于 2019-06-03 - 来自专栏红色石头的机器学习之路
吴恩达《Machine Learning》精炼笔记 11：推荐系统
本周中主要讲解了推荐系统的相关知识。 推荐系统应该是目前机器学习领域或者说人工智能领域最热门的方向之一，还有NLP、CV等，主要内容包含： 推荐系统简介 基于内容的推荐系统 协同过滤 推荐系统 推荐系统概述 常见的推荐系统有三种主要的应用常景 ： 个性化推荐：常以“推荐”、“猜你喜欢”、“发现”等形式出现，一般放在首页位置 相关推荐：常以“相关推荐”、“看了还看”等形式出现，一般放在内容详情页 热门推荐：基于各种数据进行计算，得到的排行榜，支持全局排行以及分类排行等 选择合适的场景，个性化或者相关的、热门的，来给用户进行推荐。 个性化推荐系统解决的是用户很内容的关联关系，它是二者之间的桥梁。 如，亚马逊推荐新书给你，网飞公司试图推荐新电影给你，等等。 这些推荐系统，根据浏览你过去买过什么书，或过去评价过什么电影来判断。这些系统会带来很大一部分收入，比如为亚马逊和像网飞这样的公司。
56620编辑于 2022-01-20 - 来自专栏iSharkFly
Java 为什么都推荐下载 JDK 8 或 11
目前主流是 8 的版本，如果你使用 11 也问题不大，JDK 8 和 11 之间的差距不是非常大，没有 1.4 到 8 这么大。几乎已经大到了无法兼容编译的程度了。 再加上 OS 安装的版本主流也是这 2 个，如果是新项目用 11 没有问题。如果是老项目已经用 8 了，就不要想着升级了，反正最后支持时间都差不多。 其实 8 到 11 的升级没有那么糟糕，基本上还是比较好升的。 https://www.ossez.com/t/java-jdk-8-11/13339
65400发布于 2021-02-26
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