- 综合排序
- 最热优先
- 最新优先
- 来自专栏bisal的个人杂货铺
MySQL数据导入方案场景推荐
推荐第一种，都是单线程。 -B test -d /backup // 导入主库时需要添加 --enable-binlog // 库名可以自定义 -B test 耗时 2 分钟，建议如下： 在数据量大于 50G 的场景中 ，更推荐 mydumper。 补充场景，支持导出 CSV，也支持 --where 过滤。 Util.exportTable 备份是单线程，导入是多线程，不推荐的原因是导入容易出错（多次导入可解决）。
62210编辑于 2023-10-19 - 来自专栏人工智能与演化计算成长与进阶
16推荐系统5-6协同过滤算法低秩矩阵分解均值归一化
一位用户最近看上一件产品，有没有其它相关的产品，你可以推荐给他 协同过滤算法 我将要做的是：实现一种选择的方法，写出 协同过滤算法 的预测情况 我们有关于五部电影的数据集，我将要做的是，将这些用户的电影评分 使用 协同过滤算法 对参数进行学习，并使用公式 对推荐的结果进行预测，得到一个预测值的矩阵，这个矩阵的预测结果和用户评分数据矩阵 Y 中数据一一对应： ? 电影推荐 经过以上操作，我们会学习到电影的一些特征，也许这些特征不是人所能理解的，但是其真的在某种程度上反映了电影的不同特点，例如有的反映了电影的 爱情度 ，动作度 ，喜剧度 等等 现在既然你已经对特征参数向量进行了学习 当用户在看某部电影 i 的时候，如果你想找 5 部与电影非常相似的电影，为了能给用户推荐 5 部新电影，你需要做的是找出电影 j，在这些不同的电影中与我们要找的电影 i 的距离最小的 5 部电影，这样你就能给你的用户推荐部不同的可能喜欢电影了
1.1K10发布于 2020-08-14 - 来自专栏CV学习史
Thinking in Java学习杂记(5-6章)
Java中可以通过访问控制符来控制访问权限。其中包含的类别有：public, “友好的”(无关键字), protected 以及 private。在C++中，访问指示符控制着它后面所有定义，直到又一个访问指示符加入为止，而在Java中，每个访问指示符都只控制着对那个特定定义的访问。
46130发布于 2020-04-02 - 来自专栏腾讯云大数据
大数据产品双月刊 | 5-6月
/589/58114 更新3：EMR接入官网定价中心 新增EMR产品官网定价查询页 https://buy.cloud.tencent.com/price/emr 更新4：标签分账 新增标签分账使用场景与配置说明 /product/845/75204 更新5：LDAP身份验证 新增LDAP身份验证设置介绍 https://cloud.tencent.com/document/product/845/74012 推荐阅读
69120编辑于 2022-07-12 - 来自专栏coding for love
5-6~7 eslint 在 webpack 中的配置
eslint 是一个开源的 js 代码检查工具，初衷是为了让程序员可以创建自己的检测规则。实际生产中，团队内往往会制订一套统一的标准，让整个团队的编码风格达到一致。 eslint 其实与 webpack 没有任何关系，两者并不互相依赖，甚至一般情况下我们并不会在 webpack 中进行 eslint 的配置。这里我们主要是介绍一下 eslint 是如何进行配置和使用的。
1.8K60发布于 2020-05-18 - 来自专栏机器学习与推荐算法
面向推荐场景的自监督超图Transformer
TLDR: 本文针对推荐数据中的噪声和倾斜分布问题，提出了一种基于超图Transformer的全局关系学习方法。 研究背景 最近几年来，推荐系统在各种网络应用中扮演着越来越重要的角色，例如在线购物、流媒体服务和地点推荐。这些算法模型有助于减轻信息过载问题，同时提高用户体验。 尽管最近的图神经协同过滤方法在隐式反馈等任务上取得了很好的推荐效果，但仍然存在一些挑战，需要解决。首先，在各种推荐场景下，由于各种原因，噪音数据无处不在。 SHT的判别式去噪自监督方法可以作为插件应用到现在基于图神经网络的推荐系统模型中去。 在未来的工作中，可以将SHT架构拓展到更多的推荐场景。
70720编辑于 2023-08-22 - 来自专栏机器学习与推荐算法
智能推荐算法在直播场景中的应用
上面分享了花椒直播推荐系统从0到1的搭建过程，包括召回和排序过程，但可以发现这些其实是很通用的，完全可以应用于商品推荐、小视频推荐等其他场景。下面会分享些直播场景和其他场景不一样的地方。 智能推荐遇上花椒直播 7.1 直播内容的理解和识别 直播中的推荐和商品推荐等场景有所不同，是“活的”而不是“死的”，因为直播是长时间连续性的，并且内容是实时在变的，比如用户喜欢看跳舞直播，那么当主播不跳的时候用户可能也不想看了 Reference 本文是Microstrong在观看花椒直播推荐系统高级算法工程师王洋在B站上讲解的《智能推荐算法在直播场景中的应用》视频的笔记。 【1】花椒直播推荐系统高级算法工程师王洋：智能推荐系统在直播场景中的应用，视频，地址：https://www.bilibili.com/video/av90507035? t=1453 【2】回顾 | 花椒直播推荐系统高级算法架构师王洋：智能推荐算法在直播场景中的应用，地址：https://mp.weixin.qq.com/s/1Hrl25TjDKiEvPa35RDyNQ
2.6K30发布于 2020-04-21 - 来自专栏Web技术布道师
推荐1-高并发场景，nginx怎么限速
这在实际场景中未免过于苛刻，真实网络环境中请求到来不是匀速的，很可能有请求“突发”的情况，也就是“一股子一股子”的。
83210发布于 2019-09-02 - 来自专栏圆圆的算法笔记
NLP技术在搜索推荐场景中的应用
NLP技术在搜索推荐中的应用非常广泛，例如在搜索广告的CTR预估模型中，NLP技术可以从语义角度提取一些对CTR预测有效的信息；在搜索场景中，也经常需要使用NLP技术确定展现的物料与搜索query的相关性 在推荐场景中，文本信息也可以作为一种泛化性较强的信息补充，弥补协同过滤信号的稀疏性问题，提升预测效果。 今天这篇文章梳理了NLP技术在搜索推荐场景中3个方面的应用，分别是NLP提升CTR预估效果、NLP解决搜索场景相关性问题、NLP信息优化基于推荐系统效果。 4 总结 本文主要介绍了NLP技术在搜索推荐场景中的应用。 在搜索推荐中，文本信息是很常见的一种信息来源，因此如何利用文本信息提升CTR预估、推荐等模型效果，以及如何利用NLP技术解决相关性问题，都是搜推广场景中很有价值的研究点。 END
2.5K20编辑于 2022-12-19 - 来自专栏机器学习与推荐算法
多目标推荐场景下的深度学习实践
在首页这个复杂的业务推荐场景下，我们面临着多业务融合挑战。 本文将以58同城首页猜你喜欢为例，将具体介绍实践多业务融合推荐场景下的深度学习模型应用，以及相关的工程实践。 01 多业务融合的挑战 在多业务融合的推荐场景下，召回策略，重台策略，展示样式，排序模型都会面临多业务所带来的挑战： ① 召回策略：会涉及到多个召回通道的业务适配。 04 多场景适配 1. 迁移能力探索 多通道模型在58 首页猜你喜欢这个场景落地的同时，我们也在探索怎么将多通道的兴趣模型应用到其他的推荐场景下。 像首页，是一个典型的多业务融合推荐场景，但也有其他单业务推荐。比如以租房为例，租房详情页的相关推荐业务也是一个性化推荐。目前各个场景分别训练排序模型，模型都基于场景特点，有独有的特征结构。
1.1K20发布于 2021-04-22 游戏会话存储场景，推荐用什么Redis产品？
本文从高并发、低延迟、数据持久化等需求出发，对比主流Redis产品，推荐腾讯云数据库Redis作为游戏会话存储的最优解，并结合其功能特性与活动政策提供选型建议。 结语 在游戏会话存储场景中，腾讯云Redis凭借超低延迟、弹性扩展能力和企业级安全防护，成为开发者应对高并发挑战的最优选择。
35910编辑于 2025-12-09毫秒标准数字时钟应用场景及选型推荐
（二）工业高精度制造领域在高精度生产场景中，时间同步直接影响产品质量与生产效率。 此类场景中，毫秒标准数字时钟是保障生产流程同步的“时间基准”。（三）交通与调度领域交通运营的安全性高度依赖时间协同，毫秒差可能引发安全风险。 例如，科研场景需接入卫星同步信号，确保多实验室跨区域时间一致；工业场景可通过NTP协议与工厂中控系统同步。 （三）稳定性与环境适应性设备需适应应用场景的环境条件，减少故障风险。 SYN6107型标准数字时钟凭借全面的性能适配与高可靠性，能满足多场景的毫秒级时间管理需求，为用户提供精准、稳定的时间解决方案。
46110编辑于 2025-10-16- 来自专栏秋枫学习笔记
KDD23 蚂蚁 | SAMD：异构多场景推荐方法
本文关注不同场景之间的异构性，从而提出场景感知的模型无关元蒸馏方法SAMD。SAMD通过建模场景关系和异构知识提取，在异构场景中提供场景感知和模型无关的知识共享。 为了在场景之间共享场景感知知识，场景感知元网络首先通过软聚类对关系进行建模，该软聚类为每个场景分配多聚类概率。 如图3所示，显式表征反映场景的固有属性，可以将其定义为场景的静态属性。用户连接的场景之间存在潜在的关系。场景-用户-场景的这种互补的潜在关系可以看作是一种隐含的相似性。 sum_{i=1}^N\sum_{x,y\in\mathcal{D}_i}\mathcal{L}_{ce}(\mathcal{F}_i(x),y) 3.结果 image.png 4.总结 本文是针对多场景推荐提出的方法 隐式表征：基于场景中的用户活跃度和不同场景的用户的交集计算场景之间的相似度，找到和当前场景最相似的N个场景，以这N个场景的显式表征进行池化得到当前场景的隐式表征 显式和隐式表征拼接后得到场景表征 场景表征
1K41编辑于 2023-08-18 - 来自专栏Spark学习技巧
Emdedding向量技术在蘑菇街推荐场景的应用
在电商平台中，推荐的场景覆盖到用户浏览行为和交易的各个环节，如搜相似、商品详情页、购物车、订单和支付等。 传统的itemCF、关联规则、simirank、swing等推荐相似召回技术也广泛应用于推荐各个场景中。 线上a/b测试效果 商品详情页推荐场景召回阶段目前主要有两个召回策略，一个是传统相似算法融合模型，另一个是使用商品向量进行扩召回。 商品详情页同店商品推荐场景，由于同店商品候选集较少，线上实时计算目前rt可接受，故能应用于商品详情页。工程系统改造后，可应用于其他推荐场景。 在embedding技术实践于蘑菇街推荐场景过程中，其离线评估指标的建立，非常重要，能一定程度上减少线上ab小流量实验测试的成本。细致的数据分析也能为后期迭代优化提供思路。
2.1K30发布于 2018-06-22 - 来自专栏算法修养
pta 习题集5-6 堆栈操作合法性
假设以S和X分别表示入栈和出栈操作。如果根据一个仅由S和X构成的序列，对一个空堆栈进行操作，相应操作均可行（如没有出现删除时栈空）且最后状态也是栈空，则称该序列是合法的堆栈操作序列。请编写程序，输入S和X序列，判断该序列是否合法。 输入格式: 输入第一行给出两个正整数N和M，其中N是待测序列的个数，M（≤50≤50）是堆栈的最大容量。随后N行，每行中给出一个仅由S和X构成的序列。序列保证不为空，且长度不超过100。 输出格式: 对每个序列，在一行中输出YES如果该序列是合法的堆栈操作序列，或NO如
1.9K120发布于 2018-04-27 - 来自专栏机器学习与推荐算法
WSDM2023 | 面向推荐场景的无偏知识蒸馏
TLDR：常规推荐系统算法中的知识蒸馏往往会引入严重的偏差问题，在从教师模型蒸馏给学生模型过程中，流行度偏差会被继承甚至放大。 2211.14729 代码： https://github.com/chengang95/UnKD/tree/main/UnKD 1 Motivation 知识蒸馏作为模型压缩，提升推理效率的一个有效手段被广泛应用在推荐系统中 从上图可以看出 （1）现有的知识蒸馏方法的性能提升主要来自于流行物品组，而不流行的物品组的性能较为难堪； （2）作者所提方法的性能提升主要来自于不流行物品组，从而保证了更加公平的推荐 从上表可以看出， 随着K逐渐增大，不流行物品的性能先增加，原因：一个较大的K暗示了更加精细的流行度划分，每个组内物品的流行度更加相似，从而更能保证推荐的无偏性。
1.8K20编辑于 2023-01-10 - 来自专栏Coggle数据科学
深入理解推荐系统：如何多种业务场景合并建模
背景介绍 以往CTR（Click-Through Rate、点击率）预估模型更加关注于单个业务场景域（domain）的预测。 在淘宝的App中，有多种domains需要用到CTR预估模型，比如首页推荐、猜你喜欢等等。 如果每个场景都单独建模，模型的数目会很多，可能有几百个，维护成本变大，而且有的domains的数据比较少，模型的学习效果也不够好。 可以将multi-domain CTR prediction公式化成：需要为M个业务场景domains 作为CTR预测。 直到现在，STAR的部署带来了6%的CTR和8%的RPM提升，它可以泛化到其它场景上。
1.9K10编辑于 2022-08-31 - 来自专栏鸿蒙开发笔记
HarmonyOS 开发实践 —— 应用推荐页滑动场景性能优化案例
场景描述通过性能测试工具测试发现，某应用推荐页滑动存在丢帧卡顿问题，最大连续丢帧数3-6帧。 本场景通过采用静态检查工具进行问题发现、定位及修改。 目标规则在应用推荐页列表滑动是典型的长列表滑动场景，为了提升列表滑动场景下的流畅体验，根据经验通过对接懒加载+组件复用可大幅提升帧率，我们选择的目标Code Linter检测规则是@performance 列过滤懒加载规则hp-arkui-set-cache-count-for-lazyforeach-grid，找到未正确使用懒加载的源文件，通过“Source File”列可以看到具体的页面文件，确定与推荐页相关源文件 使用性能分析工具进一步分析性能问题根因为了确认设置合理的cacheCount能解决推荐页滑动卡顿的问题，通过profiler抓取trace分析，可以看出滑动过程丢帧前，帧间有大量空闲时间未利用，那么刚到
37510编辑于 2024-12-15 - 来自专栏NewBeeNLP
LEARN: LLM在快手电商广告推荐场景的应用
，然后取出中间层特征供排序模型使用 方法其实和上次介绍的小红书的NoteLLM（NoteLLM: 大语言模型在小红书推荐系统的落地应用）有点类似的地方，都是想用大模型作为特征提取器来提取item文本中的语义信息来弥补推荐模型中的冷启动以及长尾物品由于行为稀疏学不好的问题 现有的用LLM来做推荐的大多是通过构建prompt将推荐的数据文本化作为LLM的输入，然后通过生成式的方式来推荐物品，但受限于计算性能以及LLM的输入长度，所以也只能在几个玩具数据集上跑一跑，文章把这种方式称为 偏好理解PCH模块是为了将LLM生成的内容embedding与推荐任务进行对齐，弥补的开放世界知识与协作知识之间的领域差距，采用推荐任务的自监督训练目标来指导模型优化。 ，还包含了推荐目标的一些信息，可以作为推荐的特征直接加入到排序模型中使用 以往在做推荐的时候，有个往往起不到作用的操作是都想把bert、resnet等模型产出的几十维的多模态向量特征加直接加入到精排模型中 ，使其与推荐任务进行对齐，最后再作为特征使用。
2K10编辑于 2024-06-27 - 来自专栏Python数据分析实例
常用60类图表使用场景、制作工具推荐！
可视化图表种类如此之多，什么场景下应该用什么图表展示，是一个让人头秃的难题。 数据可视化的爱好者Severino Ribecca，他在自己的网站上收录了 60 种可视化图表样式以及它们分别适用于什么样的场景，并且推荐了相应的制作工具。 值得一看。 推荐的制作工具有：Infogr.am、jChart。 推荐制作的工具有：AnyChart、D3 (重叠版本)、Vega、ZingChart。 推荐的工具有：AnyChart、Highcharts、plotly、Vega。
12.4K20编辑于 2022-05-23
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