推荐系统三十六式【MAB问题】简单却有效的Bandit算法 【MAB问题】结合上下文信息的Bandit算法 【MAB问题】如何将Bandit算法与协同过滤结合使用 【常见架构】Netflix个性化推荐架构 【常见架构】典型的信息流架构是什么样的 【常见架构】总览推荐架构和搜索、广告的关系 【关键模块】 推荐系统服务化、存储选型及API设计 【关键模块】巧妇难为无米之炊：数据采集关键要素 【关键模块】让你的推荐系统反应更快：实时推荐 【关键模块】让数据驱动落地，你需要一个实验平台 【近邻推荐】解密“看了又看”和“买了又买” 【近邻推荐】人以群分，你是什么人就看到什么世界 【近邻推荐】协同过滤中的相似度计算方法有哪些 【矩阵分解】Facebook是怎么为十亿人互相推荐好友的 【矩阵分解】那些在Netflix Prize中大放异彩的推荐算法 【矩阵分解】如果关注排序效果，那么这个模型可以帮到你 【开源工具】和推荐系统有关的开源工具及框架介绍 【模型融合】经典模型融合办法：线性模型和树模型的组合拳 【模型融合】深度和宽度兼具的融合模型 Wide and Deep 【模型融合】一网打尽协同过滤、矩阵分解和线性模型 【内容推荐】超越标签的内容推荐系统 【内容推荐】从文本到用户画像有多远 【内容推荐】画鬼容易画人难：用户画像的“能”和“不能” 【其他应用算法】构建一个科学的排行榜体系 【其他应用算法】实用的加权采样算法 【其他应用算法】推荐候选池的去重策略 【深度学习】深度学习在推荐系统中的应用有哪些 【深度学习】用RNN构建个性化音乐播单 【效果保证】道高一尺魔高一丈：推荐系统的攻防 【效果保证】推荐系统的测试方法及常用指标介绍 
声明：本站大部分资源来源于网络，除本站组织的资源外，版权归原作者所有，如有侵犯版权，请立刻和本站联系并提供证据，本站将在三个工作日内改正。 本站仅提供学习的平台，将不对任何资源负法律责任，只作为购买原版的参考，并无法代替原版，所有资源请在下载后24小时内删除；资源版权归作者所有，如果您觉得满意，请购买正版。您若发现本站侵犯了你的版权利益，请来信本站将立即予以删除！
