V
主页
召回11:曝光过滤 & Bloom Filter
发布人
在推荐系统中,如果用户看过某个物品,就不再把物品推荐给这个用户。小红书、抖音都这样做曝光过滤,原因是实验表明重复曝光同一个物品会损害用户体验。但也不是所有推荐系统都有曝光过滤,像 YouTube 这样的长视频就没有曝光过滤,看过的可以再次推荐。 曝光过滤通常是在召回阶段做。想要做曝光过滤,需要对于每个用户,记录已经曝光给他的物品。一个用户历史上看过的物品可能会非常多,为了做到高效的曝光过滤,需要用Bloom Filter这种数据结构。
打开封面
下载高清视频
观看高清视频
视频下载器
召回01:基于物品的协同过滤(ItemCF)
召回03:基于用户的协同过滤(UserCF)
召回04:离散特征处理
召回06:双塔模型——模型结构、训练方法
召回02:Swing 模型
召回10:Deep Retrieval 召回
召回09:双塔模型+自监督学习
概要02:推荐系统的链路
召回08:双塔模型——线上服务、模型更新
排序01:多目标模型
物品冷启03:聚类召回
召回05:矩阵补充、最近邻查找
物品冷启02:简单的召回通道
特征交叉02:DCN 深度交叉网络
物品冷启04:Look-Alike 召回
推荐系统涨指标的方法02:召回
召回07:双塔模型——正负样本
推荐系统涨指标的方法01:概述
概要03:推荐系统的AB测试
召回11:地理位置召回、作者召回、缓存召回
【Spark+Hive】基于大数据酒店数据分析推荐系统—免费完整实战教学视频
排序03:预估分数融合
特征交叉03:LHUC (PPNet)
特征交叉01:Factorized Machine (FM) 因式分解机
推荐系统涨指标的方法04:多样性
概要04:搜索引擎的链路(查询词处理、召回、排序)
物品冷启01:优化目标 & 评价指标
行为序列02:DIN模型(注意力机制)
概要01:搜索引擎的基本概念
B站强推!基于Python机器学习的金融分析与量化交易实战居然被同济大佬讲解的如此通俗易懂!比啃书效果强多了!
排序05:排序模型的特征
排序02:Multi-gate Mixture-of-Experts (MMoE)
行为序列01:用户历史行为序列建模
llm辅助推荐系统心得推荐
特征交叉04:SENet 和 Bilinear 交叉
重排04:DPP 多样性算法(上)
推荐系统涨指标的方法03:排序模型
重排01:物品相似性的度量、提升多样性的方法
推荐系统涨指标的方法05:特殊用户人群
重排05:DPP 多样性算法(下)