This is stars and forks stats for /zhongqiangwu960812/AI-RecommenderSystem repository. As of 20 Apr, 2024 this repository has 1231 stars and 335 forks.
AI-RecommenderSystem 该仓库主要是沉淀自学推荐系统路上学习到的一些经典算法模型和技术,并尝试用浅显易懂的语言把每个模型或者算法解释清楚!此次整理通过CSDN博客+GitHub的形式进行输出, CSDN主要整理算法的原理或者是经典paper的解读, 而GitHub上主要是模型代码复现。 模型的原理部分, 可以参考我的博客链接推荐系统学习笔记 内容简介 关于要整理的模型和技术,我这里按照自己的理解做了一个思维导图: “热追"推荐算法的特色是从实际应用的角度去梳理推荐系统领域目前常用的一些关键技术,主要包括召回粗排,精排,重排以及冷启动,这几个差不多撑起了工业界推荐系统的流程。召回的目的是根据用户部分特征,从海量物品库,快速找到小部分用户潜在感兴趣的物品交给精排,重点强调快,精排主要是融入更多特征,使用复杂模型,来做个性化推荐,强调准, 但有时候,排序环节的速度是跟不上召回的,所以往往也可以在这两块直接加一个粗排,用少量用户和物品特征,对召回结果再先进行一波筛选。 而重排侧,主要是结合精排的结果,再加上各种业务策略,比如去重,插入,打散,多样性保证等,主要是技术产品策略主导或改善用户体验的。...
AI-RecommenderSystem 该仓库主要是沉淀自学推荐系统路上学习到的一些经典算法模型和技术,并尝试用浅显易懂的语言把每个模型或者算法解释清楚!此次整理通过CSDN博客+GitHub的形式进行输出, CSDN主要整理算法的原理或者是经典paper的解读, 而GitHub上主要是模型代码复现。 模型的原理部分, 可以参考我的博客链接推荐系统学习笔记 内容简介 关于要整理的模型和技术,我这里按照自己的理解做了一个思维导图: “热追"推荐算法的特色是从实际应用的角度去梳理推荐系统领域目前常用的一些关键技术,主要包括召回粗排,精排,重排以及冷启动,这几个差不多撑起了工业界推荐系统的流程。召回的目的是根据用户部分特征,从海量物品库,快速找到小部分用户潜在感兴趣的物品交给精排,重点强调快,精排主要是融入更多特征,使用复杂模型,来做个性化推荐,强调准, 但有时候,排序环节的速度是跟不上召回的,所以往往也可以在这两块直接加一个粗排,用少量用户和物品特征,对召回结果再先进行一波筛选。 而重排侧,主要是结合精排的结果,再加上各种业务策略,比如去重,插入,打散,多样性保证等,主要是技术产品策略主导或改善用户体验的。...
repo | techs | stars | weekly | forks | weekly |
---|---|---|---|---|---|
NielsRogge/Transformers-Tutorials | Jupyter Notebook | 5.7k | 0 | 923 | 0 |
ruanqizhen/labview_book | LabVIEWJupyter NotebookOther | 214 | 0 | 140 | 0 |
wofsauge/External-Item-Descriptions | LuaPython | 145 | 0 | 104 | 0 |
vivian-dai/PicoCTF2021-Writeup | MarkdownPythonG-code | 132 | +1 | 73 | +1 |
ThomasYeoLab/CBIG | MATLABPythonC | 502 | 0 | 361 | 0 |
google/GoogleDataTransport | Objective-CSwiftC | 35 | +1 | 33 | 0 |
ryanoasis/powerline-extra-symbols | PostScriptPython | 1.1k | 0 | 66 | 0 |
microsoft/SDN | PowerShellCGo | 460 | 0 | 553 | 0 |
moses-smt/mosesdecoder | RoffC++C | 1.5k | 0 | 771 | 0 |
ucb-bar/riscv-sodor | ScalaPythonMakefile | 602 | 0 | 151 | 0 |