第四范式资深研究员罗远飞针对推荐系统中的高维稀疏数据，介绍了如何在指数级搜索空间中，高效地自动生成特征和选择算法；以及如何结合大规模分布式机器学习系统，在显著降低计算、存储和通信代价的情况下，从数据中快速筛选出有效的组合特征。
订阅极术公开课，即时获取最新技术公开课信息
嵌入式端AI，包括AI算法在推理框架Tengine，MNN,NCNN，PaddlePaddle及相关芯片上的实现。欢迎加入微信交流群，微信号：aijishu20（备注：嵌入式）
Arm相关的技术博客，提供最新Arm技术干货，欢迎关注
Spark作为目前最流行的大数据处理框架，在机器学习场景以及推荐系统中应用非常广泛。第四范式基于LLVM优化了Spark离线计算引擎，支持刚发布的Spark 3，在功能和性能上彻底解决Spark应用不能上线以及效率问题。
在先荐推荐系统学院 | 第1期的分享中，第四范式资深研究员罗远飞针对推荐系统中的高维稀疏数据，介绍了如何在指数级搜索空间中，高效地自动生成特征和选择算法；以及如何结合大规模分布式机器学习系统，在显著降低计算、存储和通信代价的情况下，从数据中快速筛选出有效的组合特征。
11月21日的推荐系统学院第1期直播中，第四范式资深研究员罗远飞针对推荐系统中的高维稀疏数据，为大家介绍了其研发的在指数级搜索空间中，高效的自动特征生成和选择算法。本期将由第四范式资深研究员姚权铭为大家带来主题为《自动化推荐系统：搜索协同滤波中的交互函数》的分享。
在当前这个移动互联网时代，除了专业内容的丰富，UGC内容更是爆发式发展，每个用户既是内容的消费者，也成为了内容的创造者。这些海量的内容在满足了我们需求的同时，也使我们寻找所需内容更加困难，在这种情况下个性化推荐应运而生。
当我们打开一个资讯APP刷新闻时，有没有想过，系统是如何迅速推送给我们想看的内容？资讯APP背后有一个巨大的内容池，系统是如何判断要不要将某条资讯推送给我们的呢？这就是今天想跟大家探讨的问题——推荐系统中的“召回”策略。
不管是工业界还是学术界，了解一个学科或一个行业的前沿、热点，势必要不断获取最新最热门的研究内容。看到好多同学询问人工智能方面的期刊、顶会，看到这篇文章的你不用担心啦！
不管是工业界还是学术界，了解一个学科或一个行业的前沿、热点，势必要不断获取最新最热门的研究内容。看到好多同学询问人工智能方面的期刊、顶会，看到这篇文章的你不用担心啦！
先荐导读：深入学习任何一门学科，都离不开对前沿知识的了解。对于推荐系统学习者来说，一年一度的RecSys大会就是了解学术界与工业界研究热点的最佳平台。鉴于此，在这篇文章中，我们把过往的RecSys论文整理成一个清单，列出了大家学习推荐系统必看的10篇RecSys论文。
2019年的推荐系统大会（Recsys） 于今年的9月份在丹麦哥本哈根举行，来自世界各地的909位专家、学者参与了此次会议，迄今为止规模最大的一次。大会涵盖了与推荐系统相关的主题，从推荐系统的社会影响到搭建推荐系统所用的算法。
在正式开始前，千万不要把这一步与数据可视化或数据结果统计混淆——数据可视化或数据结果统计意味着结果。
这也让大家造成了这样的误解：机器学习就是掌握一系列的算法。其实，机器学习并不止步于算法，我们可以把它看做是解决问题的一种综合方法。我们看到的一个个独立的算法，只不过是难题的一角，剩下的难题是我们该如何正确地使用这些算法。
我们知道，大数据的计算模式主要分为批量计算(batch computing)、流式计算(stream computing)、交互计算(interactive computing)、图计算(graph computing)等。其中，流式计算和批量计算是两种主要的大数据计算模式，分别适用于不同的大数据应用场景。
大数据流式计算系统存在诸多挑战，如资源调度、系统容错、动态时间窗口、高效索引策略等诸多方面。本文将从大数据流式计算系统架构的角度，针对当前大数据流式计算环境中存在的两个方面的典型问题进行系统化的分析，即在线环境下的资源调度问题和节点依赖环境下的容错策略问题，并原则性地分别给出了两类问题的解决策略。
流式计算可以广泛应用于金融银行、互联网、物联网等诸多领域，如股市实时分析、插入式广告投放、交通流量实时预警等场景，主要是为了满足该场景下的实时应用需求。数据往往以数据流的形式持续到达数据计算系统，计算功能的实现是通过有向任务图的形式进行描述，数据流在有向任务图中流过后，会实时产生相应的计算结果。...
在日常生活中，我们通常会先把数据存储在一张表中，然后再进行加工、分析，这里就涉及到一个时效性的问题。如果我们处理以年、月为单位的级别的数据，那么多数据的实时性要求并不高；但如果我们处理的是以天、小时，甚至分钟为单位的数据，那么对数据的时效性要求就比较高。在第二种场景下，如果我们仍旧采用传统的数据...
推荐系统能够为用户提供个性化体验，现在基本上各大电商平台、资讯平台都会用推荐系统为自家评价下的用户提供千人千面的服务。平均精度均值（Mean Average Precision，MAP）便是评估推荐系统性能的度量标准之一。
