推薦系統大師項亮都來了,就問你約不約?
導讀: 今天小編要和大家聊一位在國內推薦系統領域中理論與實踐並重的專家——項亮。他將參加我們 7 月 28 日在北京國際飯店舉行的 QingCloud Insight 2016 大會,並分享他在大資料分析領域精彩的實踐經驗。歡迎大家關注並透過文末二維碼掃描註冊參會。
項亮最早進入我們的視野,是在 2006 年 10 月 Netflix 發起的名為Netflix Prize 的一項競賽中:
任何組織或個人只要能夠提交比它現有電影推薦系統 Cinematch 效果好 10% 的新方法,就可以獲得一百萬美元的獎金,除此之外,還能挑戰 Netflix 的推薦系統。
這引起了眾多推薦系統技術研究團體的興趣。
說到這,你一定好奇 Netflix 的推薦系統到底是有多牛?敢於推出這項挑戰。
小編舉一例子,現在電影電視劇非常多,你會選擇哪些來觀看呢?
也許你會聽信朋友的推薦,或者是新聞上公佈的票房,或者是豆瓣上的評分,再或者就憑自己的直覺。然而如果有一位朋友特別瞭解你的喜好,每次給你推薦的電影你還都很喜歡,你是不是覺得太好了?這個朋友就是 Netflix 。
前一段時間,網上有一部非常有名的美劇紙牌屋,就是由 Netflix 自行製作並且完全依靠網路發行的電視劇,這部劇大獲成功,幫助 Netflix 訂閱使用者超越了 HBO 電視網。而 Netflix 其實在劇集熱播之前就知道該劇一定會火,這個秘訣就來自於 Netflix 的大資料分析技術。
使用者只要登入 Netflix ,其每一次點選、播放、暫停甚至看了幾分鐘就關閉影片,都會被作為資料存入後臺進行分析。而這樣 Netflix 就可以精確定位觀眾的偏好習慣,比如“最愛凱文-史派西(紙牌屋主演)”,或“最愛政治劇”。
Netflix 在拍攝前事先分析了訂閱使用者們的觀影資料和操作習慣,保證紙牌屋劇集可以精確命中最大量的潛在觀眾。紙牌屋的成功很大程度上源於 Netflix 優異的資料分析能力,它有著世界上最好的推薦系統。
當時,項亮所在的 The Ensemle 團隊也參加了 Netflix Prize 的推薦系統比賽,並獲得了第二名的成績。其實他們最後的結果與冠軍團隊準確率都是相同的 10.06 %,但項亮他們提交時間比冠軍晚了一點,無奈只能屈居亞軍。
說了這麼久,那什麼才是推薦系統?
隨著資訊科技和網際網路的發展,人們逐漸從資訊匱乏的時代走入了資訊過載的時代。在這個時代,無論是資訊消費者還是資訊生產者都遇到了很大的挑戰:對於資訊消費者,從大量資訊中找到自己感興趣的資訊是一件非常困難的事情;對於資訊生產者,讓自己生產的資訊脫穎而出,受到廣大使用者的關注,也是一件非常苦難的事情。
推薦系統就是解決這一矛盾的重要工具。 推薦系統的任務就是聯絡使用者和資訊:
- 一方面幫助使用者發現對自己有價值的資訊;
- 另一方面讓資訊能夠展現在對它感興趣的使用者面前,從而實現資訊消費者和資訊生產者的雙贏。
如果你也致力於這個技術的研究和實施,小編建議你讀一下《推薦系統實踐》,該書的作者就是項亮。他在書中傳授了推薦系統的實戰經驗,著重介紹了推薦系統的各種演算法設計和系統設計的方法,並且利用一些公開的資料集離線評測了各種演算法,對推動推薦系統領域的發展起到了非常重要的作用。
PS:我們在項亮演講的時候也會準備該書籍,送給現場提問的同學,福利一定要抓住哦。
怎麼和技術大牛學習經驗?
經小編介紹完,是不是對這位技術大牛更加仰慕?那想不想在現場聆聽他親自帶來的技術分享呢?
現在機會來了,7 月 28 日,以『科技,洞見未來』為主題的 QingCloud Insight 2016 大會將在北京國際飯店舉行,屆時項亮將會在資料時代的技術與應用”分論壇中帶來《分散式機器學習》的主題分享,透過幾個典型演算法回顧過去幾年分散式機器學習的發展。你將還有機會和他直接溝通,面對面地進行技術交流哦,還不快來!
現在拿起你的手機,掃描上方二維碼就可以註冊參加 QingCloud Insight 2016 大會。門票免費,成功邀請 3 名好友還可在現場領取 QingCloud 精美雙肩揹包一個!數量有限,快來參加吧!
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/26916835/viewspace-2121986/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 個性化推薦系統來了
- 開放出版:項亮 陳義 王益《推薦系統實踐》
- [資料庫]資料庫中為什麼不推薦使用外來鍵約束資料庫
- Spring Boot 面試,一個問題你就答不上來了Spring Boot面試
- 看完就懂,五千字長文帶你領略推薦系統
- 不瞭解JavaWeb,你就錯億了,不信,你進來看JavaWeb
- YouTube視訊推薦系統為什麼那麼強?看了這篇文章你就知道了
- 量化合約/合約量化/秒合約系統開發/永續合約/合約跟單
- 合約量化|秒合約|合約跟單系統開發案例
- 秒合約|合約跟單|永續合約系統開發模式模式
- 推薦簡約漂亮的小程式外掛 calendar
- 推薦系統實踐學習系列(三)推薦系統冷啟動問題
- 推薦系統
- 23張圖,帶你入門推薦系統
- 入門推薦系統,你不應該錯過的知識清單
- 【推薦系統篇】--推薦系統之訓練模型模型
- 編輯推薦之《推薦系統》
- 秒合約|合約跟單|永續合約系統開發|測試版
- 量化合約系統開發丨合約量化系統開發原始碼丨合約量化系統開發技術Demo原始碼
- 【推薦系統篇】--推薦系統之測試資料
- 《推薦系統學習》之推薦系統那點事
- 智慧推薦引擎:化成灰都認得你
- OA系統流程自動化為了節約時間
- 推薦系統之冷啟動問題
- 推薦系統之資訊繭房問題
- 合約跟單系統開發、合約跟單appAPP
- Dapp 合約代幣系統開發智慧合約APP
- 推薦系統概述
- 機器學習 — 推薦系統機器學習
- 期貨合約系統開發,合約自動跟單系統開發
- 量化合約系統開發(原始碼)合約量化系統開發(技術)原始碼
- Javaweb-約束-外來鍵約束JavaWeb
- 永續合約/秒合約/合約量化/量化合約系統開發詳情/原始碼功能/成熟案例原始碼
- YouTube深度學習推薦系統的十大工程問題深度學習
- 維修上門預約系統
- 《推薦系統實踐》筆記 01 推薦系統簡介筆記
- 探索將大語言模型用作推薦系統模型
- 現貨跟單量化/合約跟單/系統開發/量化合約交易/永續合約/秒合約解析