精华内容
下载资源
问答
  • 搜索推荐算法系列文章整理

    千次阅读 2019-09-28 00:49:03
    博主近期花了几个月时间,将搜索推荐行业一些经典的模型算法进行了整理,有的还加入了自己的浅显理解,还有一些是自己的经验文章,也都是搜索推荐行业,这个系列算是做完了,特来整理下每篇文章的链接和简要介绍 ...

    博主近期花了几个月时间,将搜索推荐行业一些经典的模型算法进行了整理,有的还加入了自己的浅显理解,还有一些是自己的经验文章,也都是搜索推荐行业,这个系列算是做完了,特来整理下每篇文章的链接和简要介绍

    读懂、了解这些文章,基本上搜索推荐行业就可以算入门了,都是一些很经典的技术

     

    一、经典模型算法系列

    1:16年Youtube提出一篇dnn的模型方法,这也是用深度学习做搜索的一篇挺早的文章

    YoutuBe 是如何利用深度学习解决搜索推荐问题的? (一) - 论文翻译

    Youtube论文的要点,你真的懂了吗?(一)

    2:facebook在今年也提出来一个思路,协同过滤+深度学习来解决线上问题

    facebook 将协同过滤加上深度学习来解决搜索推荐问题 (二) - 论文翻译

    3:阿里巴巴也不甘落后,在之后发表了一篇当时线上带来稳定提升效果的用户兴趣匹配网络DIN

    阿里巴巴线上使用的深度学习兴趣网络 DIN (三) - 论文翻译

    阿里兴趣网络DIN网络中几个关键的点(三)

    4:接着就是比较经典的 点乘pnn 网络了

    PNN论文翻译 - 基于点乘的用户响应神经网络预测(四)

    5:deepfm 一种专门用来分别处理稀疏特征和稠密特征的模型

    deepfm算法论文翻译(五)

    利用源码对deepfm中的fm层 dnn层进行讲解(五)

    6:继youtube那边论文后,谷歌又针对5中所描述的问题,提出来一种经典的模型

    wide-deep论文翻译(六)

    7:直到现在还有很多公司在线上使用的ftrl模型,因为其的易解释性

    谷歌13年提出来的类似于lr的算法 - ftrl论文翻译(七)

     

    二、博主在这个行业自己的一些技术总结文章,有讲特征工程的,有模型调参的,还有一些经典问题 比如bias

    1:postion bias,一种没办法避免讨论的线下、线上问题

    搜索、推荐业务中 - position bias的工业界、学术界 发展历程 - 系列1(共计2)

    搜索、推荐业务中 - position bias的工业界、学术界 发展历程 - 系列2(共计2)

    2:特征工程中,不可缺少的难点 - 实时系统搭建

    公司级别 - 实时系统搭建方案

    3:离线特征工程设计 - 用4家互联网公司实际数据 来举例说明

    搜索推荐业务场景下的特征系统搭建

    4:有了特征工程,模型调参能少得了?

    回归、决策树、神经网络、分布式模型是如何调参的?

    5:当要预估或者说是召回的item数量巨大时,必须要做候选集采样

    神经网络 - 候选集采样 - Candidate Sampleing

    6:DIN网络中的attention机制的来龙去脉

    神经网络中的attentin机制 + 如何使用(翻译文章)

     

    三、各大公司技术文章整理

    快手:https://mp.weixin.qq.com/s/Wn-5VD2-YWwVUWCMEy-lvw
    爱奇艺:https://mp.weixin.qq.com/s/R0GG6Kg-h50RTRU6DIrZCg
    美图:https://mp.weixin.qq.com/s/b8DkQWZbUc5-jzWKBd8iUA
    uc浏览器:https://mp.weixin.qq.com/s/FXlxT6qSridawZDIdGD1mw
    阿里:   https://mp.weixin.qq.com/s/_9Tl0cHkh9EhjHVES-ZT4A

     

     

     

     

     

     

     

     

    展开全文
  • 搜索推荐的主要框架

    千次阅读 2018-10-11 20:24:27
    搜索推荐的主要框架 1.倒排索引召回 1)召回模型有三种: 1.基于行为的召回:根据用户的购买行为推荐相关/相似的商品;(长期行为和实时行为) 2.基于用户偏好的召回:用户画像和多屏互通(移动端到PC端); 3.基于...

    搜索推荐的主要框架

    1.倒排索引召回

    1)召回模型有三种:
    1.基于行为的召回:根据用户的购买行为推荐相关/相似的商品;(长期行为和实时行为)
    2.基于用户偏好的召回:用户画像和多屏互通(移动端到PC端);
    3.基于地域的召回;
    4.基于搜索词的召回(倒排索引);

    2)倒排索引
    倒排是指由属性值来确定记录的位置。
    倒排索引由单词词典和倒排文件组成,
    单词词典是由文档集合中出现过的所有单词构成的字符串集合,单词词典内每条索引项记载单词本身的一些信息以及指向“倒排列表”的指针。
    倒排文件记录所有单词的倒排列表顺序。
    好处是在找含有该词的文件时,不需要扫描所有文件,而只需要在单词词典中找到该词,然后找到该词对应的倒排列表即可。
    Lucene倒排步骤:
    1.取得关键词;
    2.建立倒排索引;lucene将上面三列分别作为词典文件(Term Dictionary)、频率文件(frequencies)、位置文件 (positions)保存
    3.实现查找。

    3)冷启动
    1.利用用户注册信息,可以利用人口统计学的一些特征,如性别、国籍、学历、居住地来预测用户的偏好,当然在极度强调用户体验的今天,注册过程的过于繁琐也会影响到用户的转化率,所以另外一种方式更加简单且有效,即利用用户在其他地方已经沉淀的数据进行冷启动,具体方式为利用用户社交网络账号授权登陆,导入社交网站上的好友信息或者一些行为数据,比如QQ音乐就可以通过获取用户在QQ中的浏览信息;
    2.制造选项,让用户选择自己感兴趣的点后,即时生成粗粒度的推荐。
    3.提供热门内容,类似刚才所介绍的热度算法,将热门的内容优先推给用户。
    4.通过用户在时间和地点的上下文来进行实时的预测。

    2.规则过滤

    如果是商品的话,就过滤掉没有内存,或者是涉及到敏感词汇

    3.建立特征:特征会涉及到用户画像,知识图谱

    1)用户画像:通过对用户行为及相关场景的分析,构建用户画像,比如包括性别,年龄,购物类型,购买力,消费信用水平等等

    4.搜索排序,模型融合:深度学习,在线学习,算法模型

    排序学习是一个有监督的机器学习过程,对每一个给定的查询-文档对,抽取特征,通过日志挖掘或者人工标注的方法获得真实数据标注。然后通过排序模型,使得输入能够和实际的数据相似。
    常用的排序学习分为三种类型: PointWise,PairWise和ListWise。
    比较重要的有pairwise里面的RankNet;listwise里面的LambdaRank核LambdaMART.

    RankNet:对于每一对pair都会进行一次权重的更新,同一个query下的所有文档pair全部带入神经网络进行前向预测,然后计算总差分并进行误差后向反馈,这样将大大减少误差反向传播的次数。
    λi决定着第i个doc在迭代中的移动方向和幅度,真实的排在Ui前面的doc越少,排在Ui后面的doc越多,那么文档Ui向前移动的幅度就越大(实际λi负的越多越向前移动)。这表明每个f下次调序的方向和强度取决于同一Query下可以与其组成relative relevance judgment的“pair对”的其他不同label的文档。
    缺点:无法更关注靠前位置的相关文档的排序位置的提升。

    LambdaRank是一个经验算法,它不是通过显示定义损失函数再求梯度的方式对排序问题进行求解,而是分析排序问题需要的梯度的物理意义,直接定义梯度,即Lambda梯度。
    损失函数的梯度代表了文档下一次迭代优化的方向和强度,由于引入了IR评价指标,Lambda梯度更关注位置靠前的优质文档的排序位置的提升。有效的避免了下调位置靠前优质文档的位置这种情况的发生。
    可以看出LambdaMART的框架其实就是MART,主要的创新在于中间计算的梯度使用的是Lambda,是pairwise的。MART需要设置的参数包括:树的数量M、叶子节点数L和学习率v,这3个参数可以通过验证集调节获取最优参数。

    5.推荐结果多样化展示:商业规则,推广,打散

    展开全文
  • 这个项目是以前实习时候跑的,基于AutoEncoder实现图片搜索推荐,涉及算法有AutoEncoder、KNN、余弦相似度测量等,项目在Mac OS环境下实现。 项目原理 AutoEncoder AutoEncoder作为一种无监督算法,通过encode...

    前言

    这个项目是以前实习时候跑的,基于AutoEncoder实现图片搜索推荐,涉及算法有AutoEncoder、KNN、余弦相似度测量等,项目在Mac OS环境下实现。

    项目原理

    AutoEncoder

    AutoEncoder作为一种无监督算法,通过encode和decode两个过程实现,当encode和decode过程均为一层时,AE很类似PCA;多层时,又有些类似神经网络。
    这里写图片描述
    如上图所示,code左侧的为encode层,右侧为decode层,目的是使得输入的x和输出的x_head越接近越好,所以在误差反向传播时需要优化x和x_head的差异值。通过encode和decode两个过程,AE的目标是使x和x_head的差异最小,从而使输出图片和输入图片越来越相似,由此,AE可以提取图片特征,不断的训练之后就可以从数据库中得到与输入图片的相似程度最大的图片,从而实现相似图片搜索的功能。

    展开全文
  • 在回答这个问题的时候, 想到了近几年在做搜索推荐系统的过程中, 学术界和工业界的一些区别。 正好最近正在做技术规划, 于是写偏文章说下工业界完整推荐系统的设计。结论是: 没有某种算法能够完全...
    在之前一篇博文中, 有同学在评论中问了个问题: 如何解决因式分解带来的推荐冷门,热门关键词的问题。 在回答这个问题的时候, 想到了近几年在做搜索推荐系统的过程中, 学术界和工业界的一些区别。 正好最近正在做技术规划, 于是写偏文章说下工业界完整推荐系统的设计。 结论是: 没有某种算法能够完全解决问题, 多重算法+交互设计, 才能解决特定场景的需求。下文也对之前的一些博文进行梳理,构成一个完整工业界推荐系统所具有的方方面面(主要以百度关键词搜索推荐系统为例)
    完整的推荐系统肯定不会只用一种推荐算法
    在学术界, 一般说到推荐引擎, 我们都是围绕着某一种单独的算法的效果优化进行的, 例如按内容推荐, 协同过滤(包括item-based, user-based, SVD分解等),上下文推荐,Constraint-based推荐,图关系挖掘等。 很多比较牛的单个算法, 就能在某个指标上取得较好效果, 例如MAE,RMSE。。。不过有自己的优点, 每种算法也有自己的缺点, 例如按内容推荐主要推荐和用户历史结果相似的item,一般的item-based容易推荐热门item(被更多人投票过)。。。。   所以在工业界,例如各互联网公司, 都会使用多种算法进行互相配合, 取长补短, 配合产品提升效果。而且 在完整的推荐系统中,不仅有传统的Rating推荐, 还需要辅以非常多的挖掘, Ranking来达到预期效果
    推荐系统3大件:User Profile、基础挖掘推荐、Ranking
    在实践中, 一个完整的推荐系统会主要由3部分组成:
    1. User Profile
    2. 基础推荐挖掘算法
    3. Ranking
    此处之所以将Ranking单独列出来,是因为其在推荐任务中过于重要,直接决定了推荐的效果。
    以下为整个推荐的数据流:
    User Profile
    A user profile is a representation of information about an individual user that is essential for the (intelligent) application we are considering user profile主要是用户(注册)信息,以及对用户反馈的信息进行处理,聚合,用于描述用户的特征; 是后续推荐和排序的基石。 一般情况下,user profile会包含以下具体内容:
    1. 用户兴趣数据
    2. 用户的基础注册信息,背景信息:例如用户出生地,年龄,性别,星座,职业等。这些信息一般从用户注册信息中获取;例如高德,百度地图注册用户,淘宝注册用户等
    3. 用户行为反馈:包括显示的反馈(explicit)和隐藏(implicit)的反馈,显示的反馈包括用户的评分,点赞等操作,百度关键词搜索推荐工具上的点赞(正向显示反馈)和垃圾桶(负向显示反馈),淘宝上的评分;隐式反馈包括用户的浏览行为,例如在百度关键词搜索推荐上搜过那些词,淘宝上点击了那些页面,在高德上点击了那些POI等
    4. 用户交互偏好:例如用户喜欢使用哪些入口,喜欢哪些操作,以及从这些操作中分析出来的偏好,比如在高德地图上根据用户行为反馈分析出来的用户对美食的偏好:更喜欢火锅,粤菜,还是快餐
    5. 用户上下文信息:这些信息有些是分析出来的,例如在LBS中分析出来的用户的家在哪儿,公司在哪儿,经常活动的商圈,经常使用的路线等
    user profile经常是一份维护好的数据,在使用的时候,会直接使用该数据,或是将该数据存储在KV系统中,供Online系统实时使用。 在搜索或是推荐的场景下,每次请求一般只会涉及到一次user profile的KV请求,所以online使用的时候,主要的实现困难是存储,以及快速KV的快速响应。
    基础挖掘推荐算法
    基础挖掘推荐算法, 主要使用传统推荐算法, 结合分析的item profile和user profile, 建立user和item的关系,此时并不会过多考虑其他因素,例如是否冷门/热门,最主要的就是建立user和item的关系。 在各种论文中狭义的推荐,主要就是指该部分内容。 主要围绕着Rating,以及Top N进行该处的Top N(更像是直接Rating值最高的Top N) 传统的推荐算法研究主要围着这块工作进行,现在已经有很多比较成熟的算法,这些算法相关的研究可参见博文:《 推荐系统经典论文文献及资料》;其中也能找到业界较多成功推荐系统的实践分享 主要包含以下几类:
    1. Content Based推荐: 按内容推荐,主要的工作是user profile, item profile的提取和维护,然后研究各种相似度度量方法(具体相似度度量参见博文:《推荐系统中的相似度度量》)
    2. 协同过滤:相当于应用了用户的行为进行推荐(区别于Content based算法),比较经典的算法包括传统的item-based/user-based算法(参见博文:《协同过滤中item-based与user-based选择依据》,《collaborative-filtering根据近邻推荐时需要考虑的3要素》),SVD,SVD++(具体原理及源码参见博文:《SVD因式分解实现协同过滤-及源码实现》)
    3. 上下文相关推荐:和传统推荐相比, 考虑更多上下文因素,LBS, 移动场景下使用比较多(具体参见博文:《context-aware-recommendation》)
    4. 基于图的关系挖掘推荐:主要是利用图论原理,根据item,user之间的数据,反馈关联关系,挖掘更深层次的关系进行推荐,该类方法一般效果都不错,当然资源要求也较高。具体参见博文:《级联二步图关系挖掘关键词推荐系统》,《频繁二项集合的hadoop实现》《itemrankrandom-walk-based-scoring-algorithm-for-recommener-system
    5. Constrainted-based推荐:根据限制性条件进行演绎推荐
    在实际应用时,我们经常使用按内容推荐,item-based寻找从感知的角度比较靠谱的结果,使用SVD,SVD++,图关系寻找更深层次的联系结果。同时在推荐时,会结合很多因素来进行综合排序,例如关键词, 或是LBS中POI的热度等。具体可参见下文ranking部分。
    算法效果衡量
    以上这些算法, 我们在离线的时候,使用Cross-Validation方式,就可以分析出其效果,而且离线分析的时候,代价比较小,比较容易操作。当然,对于不同的问题会使用对应的指标进行衡量。 对于预测Rating准确性主要是用RMSE,或是MAE;具体可参见博文:《 关键词搜索推荐系统中的推荐准确性度量》 如果是排序, 则更多使用NDCG,MAP,  MRR等指标;具体可参见博文:《 使用ndcg评估关键词推荐系统的相关性》 在具体应用场景中,对于特定推荐问题,会涉及到选用哪种算法的问题。推荐不像CTR预估这样的问题,目标比较单一,经常我们需要考虑多个指标,而且这些指标可能此消彼长,需要做权衡,例如需要考虑算法的准确性(accuracy),同时也需要考虑算法的覆盖(coverage),置信度(confidence),新鲜度(novelty)和惊喜度(Serendipity),同时还需要考虑推荐为系统带来的收益和效用(utility)。 这些指标经常需要权衡,而且经常提升某一个的时候会导致其它下降,所以有时候存在一定的主观性:我们到底看中哪一个指标?  而且这个问题可能随着系统,平台所处的阶段而不同。 例如在建立口碑的时候,我们可能不太关注coverage,而更关注accuracy,因为要让用户建立一种:该系统很准的认知;如果在系统已经比较成熟了,此时可能需要考虑novelty, serendipity的同时,还需要考虑utility:该推荐能为系统带来什么收益,例如对百度的变现有多大收益? 对淘宝的销售有多少收益等 具体这些指标的选择可参见博文:《 选择推荐算法时需要考虑得因素
    Ranking,此部分是成熟的搜索,推荐系统具有的核心逻辑
    比较简单的实现方法, 是直接对各种特征拍阈值进行线性加权,比较成熟的系统一般会使用机器学习的方式和综合个维特征, 学习出模型后进行排序, 例如使用Learning to rank技术。 该部分需要考虑的因素较多较为复杂。 和传统的推荐相比, 此处单独将Ranking拿出来。 基础推荐挖掘, 和传统的推荐部分比较类似,主要结合user profile, 挖掘哪些item适合推给哪些user。 但仅根据这些挖掘就直接进行推荐是不够的。 真实online推荐场景中, 需要考虑更多其他因素, 例如:相关性,推荐的上下文,CTR预估,以及商业业务规则。
    1. 相关性: item与用户的相关性,这是大多数搜索和推荐任务的基石,例如在搜索中判定一个query和一个document的相关性,或是一个query 和 另一个query的相关性,或是在特征比较多的情况下, 一个user 和一个item 记录的相关性;实现方式可以很简单,例如传统的相似度度量方式(参见博文:《推荐系统中的相似度度量》),对于文本,业界使用简单的TF*IDF,或是BM25; 不过很多时候我们需要增加更多维度特征,包括推荐item本身的重要性,例如IDF,Pagerank(具体参见博文:《pagerank的经济学效用解释》),同时使用模型来提升相关性判断的准确性。使用模型的方式会更加复杂,但效果提升也非常明显。具体可参见博文:《集成树类模型及其在搜索推荐系统中的应用》,《分类模型在关键词推荐系统中的应用》,《adaboost
    2. 推荐的上下文:例如推荐产品的入口,交互方式, 不同的入口,甚至同一入口的不同交互方式, 推荐的结果有可能都需要不一样; 在LBS生活服务中, 请求发生的时间, 地点也是推荐需要重点考虑的上下文因素,例如饭点对餐饮item的提权; 异地情况下对酒店等结果的加权等
    3. CTR预估:成熟的商业系统都会使用模型来完成CTR预估,或是转化预估
    4. 以及商业业务规则:例如黑白名单,或者强制调权。例如在百度关键词搜索推荐中,某些有比较高变现潜力的词, 就应该加权往前排; 比如在高德LBS服务中,有些海底捞的店点评评分较低, 但我们也应该往前排;或是在搜索引擎中,搜国家领导人的名字, 有些最相关的结果可能因为法律因素是需要屏蔽的
    算法评估
    很直接,离线调研的时候看就看算法的评估指标,参见博文:《 关键词搜索推荐系统中的推荐准确性度量》,《 使用ndcg评估关键词推荐系统的相关性》 上线的时候,进行圈用户(圈定某两个user集合作为实验/对照用户组)实验, 或者圈请求实验(例如随机圈定5%流量进行实验),之后根据系统效果监控中的指标值判断实验效果。以下为一个典型的效果监控截图: 实验如果证明成功,达到预期效果,一般之后推广到全流量;反之,如果实验未达到预期效果,则需要分析什么地方有问题,如何改进,之后继续调整算法继续实验。当实验较多时,还会涉及较多工程问题,例如分层实验框架等。
    系统效果监控
    对于整个系统,需要建立晚上的效果监控平台进行效果的实时监控,以便发现用户的行为模型,系统的不足,分析后续的发力点等。一般这样的监控平台会使用Dashboard来完成,基本的框架是前段UI + 后端数据库。很多时候,离线统计策略在hadoop上处理统计日志计算指标,并将计算出来的指标存入数据库,前端UI访问数据库,拉出指定时间段内某些指标的值,并进行简单分析。 具体的监控指标,及指标体系的建立,可参见博文:《 搜索引擎变现策略指标体系
    交互设计
    完整的产品包括便捷的交互和背后牛叉的算法。很多时候,要提升推荐的效果,需要算法和交互配合,才能达到理想的效果: 交互需要有健壮的算法产出结果;而算法也需要有配套的交互,才能达到预期效果,否则再牛叉的算法,对结果的影响也可能没那么明显。
    一些交互的例子参见博文:
    说了那么多,中心就是想说明, 一个完整的推荐系统,远远不止是一两个rating算法能够覆盖的,而且此处还未涉及工程部分。
    更多内容,也可直接访问: http://semocean.com

    点击原文查看

    展开全文
  • 最近调研了下查询理解的相关知识体系 分享个前段时间阿里对外分享的一个电商查询理解的PPT: 【搜索推荐直播系列第三场】开放搜索行业智能搜索技术介绍-电商查询理解-20191105 ...
  • 阿里搜索推荐系统

    千次阅读 2019-05-13 16:04:49
    一、系统框架 导购升级的优化思路从三个方向着手:1....利用深度学习及异构网络的思想,对用户...一方面对现有的产品进行创新升级,如激活页、下拉推荐等;另一方面积极尝试新产品形态,如首页热词、搜索动态卡片...
  • es实现近实时搜索推荐的两种方式

    万次阅读 2019-07-19 23:33:57
    在百度搜索框里面,当我们输入某个关键字或关键词的时候,基本上不需要等待多久【秒级】,当然网络太差就不说了,就可以马上列出一大堆相关的词句,这些是怎么实现的呢 总的来说,实现方式有两种,第一种,实时ajax...
  • 基于Elasticsearch实现搜索推荐

    万次阅读 2018-07-16 17:17:37
    在基于Elasticsearch实现搜索建议一文中我们曾经介绍过如何基于Elasticsearch来实现搜索建议,而本文是在此基于上进一步优化搜索体验,在当搜索无结果或结果过少时提供推荐搜索词给用户。 背景介绍 在根据用户输入...
  • 搜索推荐广告优质github

    万次阅读 2016-06-29 14:46:56
    1.序 由于笔者目前用python比较多,所以想安装下pySpark,并且在pyCharm中调用。 (1)jdk-8u91-windows-x64.exe (2)spark-1.3.0-bin-hadoop2.4.tgz 在 2.安装 (1)jdk默认安装 (2)spark-1.3.0-bin-...
  • 搜索推荐系统评价指标

    千次阅读 2017-10-20 14:40:35
    下面简单列举几种常用的推荐系统评测指标: 1、准确率与召回率(Precision & Recall) 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值,用来评价结果的质量。其中精度是检索出相关文档数与检索出...
  • 谷粉搜搜 九尾搜索 推荐

    万次阅读 2016-02-29 10:59:17
    如果谷歌搜索无法使用, 你可以尝试下面截图中的"谷粉搜搜", "九尾搜索"等. 虽然资源量不多, 但搜索技术类的资料感觉还是不错的.
  • 在基于Elasticsearch实现搜索建议一文中我们曾经介绍过如何基于Elasticsearch来实现搜索建议,而本文是在此基于上进一步优化搜索体验,在当搜索无结果或结果过少时提供推荐搜索词给用户。 背景介绍 在根据用户...
  • 一、先摆需求: 1、中文搜索、英文搜索、中英混搜 如:“南京东路”,“cafe 南京东路店” ...3、简繁搜索、特殊符号过滤搜索 如:“龍馬”可通过“龙马”搜索,再比如 L.G.F可以通过lgf搜索,c...
  • 这篇博客主要来自于阿里巴巴机器智能技术实验室的一次技术分享,主要介绍了阿里集团目前在搜索推荐领域所使用的深度学习算法。 首先讲解的是搜索场景,给的实际案例技术手机淘宝的搜索页面,如下所示: 就是在...
  • //key不为空的时候 推荐相关的最热前十名 for (String val : value) { if (StringUtils .containsIgnoreCase (val, key)) { if (result .size () > 9 ) {//只返回最热的前十名 break ; } Long time = ...
  • 二,搜索 用Lucene实现搜索 为什么搜索不仅仅是索引 用链接分析改进搜索结果 PageRank 用户点击初探 三,推荐系统 基于用户相似的推荐 基于条目相似的推荐 基于内容的推荐 四,聚类:事物的...
  • 搜索引擎推荐

    千次阅读 2019-04-20 12:29:35
    ​关于搜索,日常使用的非常多,今天来推荐几个搜索引擎。 分为两类,一类是比较小众的搜索引擎,但是用起来也很给力,第二类是谷歌镜像,第三类是搜索引擎导航,有很多搜索引擎,可以快速切换,用起来很方便。 ...
  • 看了很多项目,自己摸索了很长时间,也接手了搜索系统,得到了一些新的经验,下面都是些不高大上的实用套路技巧,做业务的同学可能会感觉对搜索推荐广告系统很感兴趣但不知如何入门。 我极其讨厌某些大厂某些高工有...
  • 有些品牌本身关注度高,就会自然产生搜索推荐词,关注度的低的只能通过技术手段去模拟用户访问来优化搜索推荐词展示,具体需要想办法实现主关键词的大量搜索引擎输入关键词时才行。 1、分析主关键词和系统推荐词 ...
  • 商品搜索引擎--商品推荐

    千次阅读 2016-04-05 12:54:14
    因为工作需要,最近有在学习商品搜索引擎的东西。会涉及到系统推荐、个性化推荐和排序推荐。排序推荐 比较偏向于 输入联想(类似于淘宝,我们输入手机,下面会提示推荐)。但是本文,重点介绍个性化推荐。本文比较...
  • 我们知道谷歌是全球最大的搜索引擎服务商,尽管在国内大家最熟悉的是百度,但在搜索技术上百度没有Google那么强大,很多人觉得Google搜索东西难找,其实这与Google对国内用户的体验不是很了解以及大家对Google搜索...
  • 推荐几个资源搜索网站

    万次阅读 2019-04-06 12:55:21
    动漫喵搜:https://nyaso.com/ 快搜:http://search.chongbuluo.com/ 电驴:http://www.ed2000.com/ 搜百度盘:http://www.sobaidupan.com/ ... 西林街搜索:http://www.xilinjie.com/ 谷粉搜搜:http://gfs...
  • 深度学习在搜索推荐领域的应用

    万次阅读 2016-07-27 20:02:02
    /* 版权声明:可以任意转载,转载时请标明文章原始出处和作者信息 .*/    author: 张俊林     ... 深度学习在搜索推荐领域的应用      (想更系统地学习深度学习知识?请...
  • 推荐一些非常好用的网盘搜索神器

    万次阅读 2018-09-12 11:35:59
    而今天推荐的就是一些网盘搜索引擎,它可以使我们快速搜搜索到自己想要的资源,从而提高了整体的搜索效率。下面将介绍一些搜索引擎,可以根据自己的情况选择适合自己的搜索神器。 盘多多 ...
  • query相关搜索词&推荐

    千次阅读 2016-07-07 20:08:31
    简单的来说,相关搜索的query,其实也是一种关键词推荐.相关搜索query策略:1.query click即网民输入某个query后,在搜索引擎上点击的url,该数据可以简单表示为query-url的pair.当用户输入不同的query,但是
  • 1、前缀搜索GET /forum/article/_search { "query": { "prefix": { "articleID": { "value": "KDKE" } } } } {  "took": 52,  "timed...
  • 商品搜索引擎---推荐系统设计

    万次阅读 多人点赞 2016-04-11 09:54:11
    一、前言结合目前已存在的商品推荐设计(如淘宝、京东等),推荐系统主要包含系统推荐和个性化推荐两个模块。系统推荐: 根据大众行为的推荐引擎,对每个用户都给出同样的推荐,这些推荐可以是静态的由系统管理员...
  • 百度的这个搜索推荐,真的很烦,还泄漏隐私。。 这里叫大家如何关闭这个垃圾。。看图片大家都懂了。。 Internet 选项 -》安全-》受限制的站点-》添加 http://entry.baidu.com 这个网址。 ...
  • 蘑菇街搜索推荐架构

    千次阅读 2017-12-21 13:04:36
    搜索架构的探索之当前现状 蘑菇街搜索当前架构 如上图,是蘑菇街当前搜索架构,分为在线和离线两部分。在线部分主要职责是处理在线的搜索请求。离线部分的主要职责是处理数据流。 在线请求链路 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 480,403
精华内容 192,161
关键字:

搜索推荐