[帮助文档] 在推荐系统中应用FeatureStore管理特征
本文以FeatureStore的特征表为例，为您介绍FeatureStore从创建与注册到最终上线的过程，帮助您了解如何从零开始搭建并上线一套完整的推荐系统。
[帮助文档] 使用FeatureStore Python SDK搭建推荐系统
本文主要介绍使用FeatureStore Python SDK完成特征平台在推荐场景中全流程的创建以及上线的过程。
人工智能推荐系统
人工智能推荐系统（AI Recommendation System）是一种广泛应用在电子商务、媒体流服务、社交网络、新闻聚合等领域中的技术解决方案。该系统利用机器学习、深度学习和其他人工智能算法来分析用户的个人信息、行为数据、偏好历史以及其他相关特征，从而实现个性化推荐的功能。 以下是推荐系统的一些...
人工智能领域：面试常见问题超全（深度学习基础、卷积模型、对抗神经网络、预训练模型、计算机视觉、自然语言处理、推荐系统、模型压缩、强化学习、元学习）
人工智能领域：面试常见问题 1.深度学习基础 为什么归一化能够提高求解最优解的速度？为什么要归一化？归一化与标准化有什么联系和区别？归一化有哪些类型？Min-max归一化一般在什么情况下使用？Z-score归一化在什么情况下使用？学习率过大或过小对网络会有什么影响？batch size...
[帮助文档] 实现推荐系统的完整方案
本文为您介绍实现推荐系统的完整方案。
《中国人工智能学会通讯》——7.12 推荐系统简介
7.12 推荐系统简介 典型任务和相关算法 ● 评分预测最早的推荐系统任务（也是目前较为常见的任务）是评分预测。输入归纳起来可以分为用户（User）、物品（Item）和打分（Rating）三个方面，因此可以使用一个二维矩阵来刻画评分预测的输入，分别对应于一个矩阵中的行、列、值。为了解决这一问题，常...
《中国人工智能学会通讯》——11.7 场景化个性化的地理位置推荐系统
11.7 场景化个性化的地理位置推荐系统 基于地理位置的社会媒体网络服务的出现 , 例如 Foursquare、Facebook Places 和大众点评，为人们提供了一个产生和分享在物理位置进行评价的活动的便捷平台。全面地理解这种基于地理位置的用户评分行为对于进行很多应用十分重要 , 例如个性化推...
中国人工智能学会通讯——深度学习与推荐系统 3 总结与展望
3 总结与展望 本文中简要介绍了推荐系统的核心技术，以及关于深度学习在推荐系统上的最新进展。可以看到，目前深度模型在推荐系统上的应用还处于比较初级的阶段[28]，尤其是技术上的发展较慢于计算机视觉和自然语言处理领域。关于未来工作有如下三点展望。 （1）在线学习与增量学习。在实际产品中，用户数据实时到...
中国人工智能学会通讯——深度学习与推荐系统 2.2 深度交互函数学习 (Learning Interaction Function with Deep Learning)
2.2 深度交互函数学习 (Learning Interaction Function with Deep Learning) 作为早期使用神经网络进行评分建模的代表性工作，文献[42]使用限制玻尔兹曼机（RBM）学习交互函数，但该方法的近似优化算法较为费时[28]，且不易扩展到有辅助信息的情况。近...
中国人工智能学会通讯——深度学习与推荐系统 2.1 深度特征抽取(Extracting Side Features with Deep Learning)
2.1 深度特征抽取(Extracting Side Features with Deep Learning) 图4总结了一系列工作使用深度学习进行特征抽取，并用于协同过滤的基本框架。介于深度学习技术抽取出的特征通常是相对较短、稠密的向量（也称为嵌入式表示，embedding），可以和基于隐向量的矩...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
