檢索-推薦

檢索-搜索

1.Annoy（Approximate Nearest Neighbors Oh Yeah）算法是應用於稠密矩陣的最近鄰查找算法，Annoy的目標是建立一個數據結構，使得查詢一個最近鄰的時間是線性的。Annoy通過對輸入矩陣建樹來獲取O(log n)的檢索速度

建庫：平面內隨機取一個點作爲種子節點，隨機取200個節點判斷每個點和哪個種子距離更近，取上述點的中心爲最終的中心點，優缺點：樹形檢索快；參考文獻：http://yongyuan.name/blog/ann-search.html

2. LOPQ,數據動態增刪靈活,參考:https://www.sohu.com/a/128426626_642762, http://yongyuan.name/blog/opq-and-hnsw.html

3. HNSW, 佔用內存大，召回率高，數據動態增刪不易,https://www.codercto.com/a/20748.html

4. Google：谷歌搜索的工作原理簡述 https://www.cnbc.com/2018/09/17/google-tests-changes-to-its-search-algorithm-how-search-works.html

5. 淘寶搜索模型如何全面實時化？首次應用於雙11

6. 電商搜索算法技術的演進

7. 深入搜索引擎原理

推薦

• IBM
  • AI算法與道德規則如何平衡？IBM推出AI推薦技術
• google
  • YouTube視頻推薦系統爲什麼那麼強？看了這篇文章你就知道了; https://dl.acm.org/doi/10.1145/3298689.3346997
  • 重讀 Youtube 深度學習推薦系統論文，字字珠璣，驚爲神文
• facebook -
  • Facebook首次揭祕：超過10億用戶使用的Instagram推薦算法是怎樣煉成的;

    • https://venturebeat.com/2019/11/25/facebook-details-the-ai-technology-behind-instagram-explore/

  • 想知道Facebook怎樣做推薦？FB開源深度學習推薦模型

• netflix

  • Netflix推薦系統模型的快速線上評估方法——Interleaving

    • https://medium.com/netflix-techblog/interleaving-in-online-experiments-at-netflix-a04ee392ec55
• Instagram
  • Instagram 推薦系統：每秒預測 9000 萬個模型是怎麼做到的
  • 擁有 10 億月活躍用戶的 Instagram 是怎麼設計內容推薦系統的
• 浙大
  • 用戶畫像：浙大開發算法軟件，輕鬆識別兒童玩手機
• 阿里
  • 淘寶如何擁抱短視頻時代？視頻推薦算法實戰
  • 如何優化大規模推薦？下一代算法技術JTM來了
  • 強化學習用於推薦系統，螞蟻金服提出生成對抗用戶模型
  • 電商搜索算法技術的演進
  • 短視頻如何做到千人千面？FM+GBM排序模型深度解析
  • UC研發團隊從技術角度聊聊，短視頻爲何讓人停不下來
  • 和北大完成的AAAI2018的論文，提出一種基於注意力機制的用戶異構行爲序列的建模框架，並將其應用到推薦場景中。作者提出用同一種模型同時預測多種類型的用戶行爲，由於沒有使用RNN,CNN等方法，因此在提高效果的同時，該方法能夠有更快的訓練速度。ATRank An Attention-Based User Behavior Modeling Framework for Recommendation.pdf
• 騰訊
  • QQ看點日報內容優化——基於BERT的熱點召回系統

實戰

• 如何動手設計和構建推薦系統

• https://towardsdatascience.com/recommendation-systems-in-the-real-world-51e3948772f3

• 什麼是推薦系統？有哪些類型的推薦系統？怎麼做推薦系統

• https://medium.com/moosend-engineering-data-science/the-road-to-recommender-systems-d6bb79bd169d

• 利用Python構建一個簡單的推薦系統

會議

1. ICML

2. RecSys

3. KDD