圖靈推薦系統
圖靈社群的推薦系統主要有三個方面：標籤推薦、好友推薦、也許你喜歡。
“標籤系統”聚集具備相同標籤的圖書、文章，在推薦上的數量級是最大的；“好友推薦”和使用者在該社群的好友圈以及好友活躍度有關，用通常人的心理來類比，這一類的推薦被信任的程度比較高，但如果使用者的好友不是很多，好友不活躍，那麼這一類的推薦力度就比較弱了；“也許你喜歡”這一類推薦和採用的演算法有關，不知道圖靈社群採用的是什麼演算法，但這個可發揮的餘地也比較大，比如一本圖書，標籤、作者資訊等等都可以加入演算法，這個推薦對新使用者來說比較有效，是好友推薦的補充。
相關文章
- 【推薦系統篇】--推薦系統之訓練模型模型
- 【推薦系統篇】--推薦系統之測試資料
- 推薦系統概述
- python 推薦系統Python
- 《推薦系統實踐》筆記 01 推薦系統簡介筆記
- 電影推薦系統的圖片雲存
- 23張圖，帶你入門推薦系統
- 推薦系統論文之序列推薦：KERL
- 推薦系統一——深入理解YouTube推薦系統演算法演算法
- 【推薦系統篇】--推薦系統介紹和基本架構流程架構
- 《推薦系統》-DIN模型模型
- 《推薦系統》-PNN模型模型
- 推薦系統概念篇
- 雲音樂推薦系統（二）：推薦系統的核心演算法演算法
- Mahout的taste推薦系統引擎（影片推薦案例）AST
- 【推薦演算法】推薦系統的評估演算法
- 基於springboot的圖書個性化推薦系統Spring Boot
- 推薦系統工程架構架構
- 《推薦系統》-Wide&DeepIDE
- 推薦系統 task 1 @datawhale
- 【推薦系統】GBDT+LR
- 如何構建推薦系統
- Spark推薦系統實踐Spark
- 推薦系統實踐學習系列（三）推薦系統冷啟動問題
- Netflix推薦系統(Part two)-系統架構架構
- 推薦系統應該如何保障推薦的多樣性？
- PredictionIO：開源的推薦系統
- Netflix 推薦系統(Part Six)-To Be Continued
- python酒店相似度推薦系統Python
- 推薦系統研究-筆記(1)筆記
- 序列推薦系統的前世今生
- 推薦系統技術概覽
- 分期商城實時推薦系統
- 推薦系統的評估方法
- 【推薦系統篇】--推薦系統之之特徵工程部分---構建訓練集流程特徵工程
- Netflix推薦系統(Part Seven)-改善實驗系統
- 如何將知識圖譜特徵學習應用到推薦系統？特徵
- 推薦系統 Task05：GBDT+LR（知識腦圖整理）
- 一文了解推薦系統中的圖神經網路神經網路