- 综合排序
- 最热优先
- 最新优先
- 来自专栏软件安装
windows系统好用的9个软件工具推荐
这里就由小哥给大家推荐一款强大的卸载神器 该软件中文名为“阿香婆卸载”，是阿香婆电脑套件中非常流行的一款软件。 第一次运行该软件时，它会自动检测电脑中除了系统文件外，所有第三方应用程序、浏览器插件、以及 Windows自带的应用程序。 和市面上常见的卸载工具相比，“阿香婆”有两个特点：细节和深度！ 即使在处理大量文件或在低配置的系统上运行时，它也能保持良好的响应速度和稳定性。这对于那些需要在资源受限的环境中工作的用户来说是一个重要优势。 具有一个可视化的过滤器的文件列表，便于管理常见的简单通配符模式，比如 *.TXT 文本； 8、特别 MP3 服务：ID3 v1.1 标签的即时视图和编辑，再加上自动 ID3 v1.1 标签常规的文件名； 9、 生成各种文件系统的报告； 10、创建日期、最后访问日期和属性在文件列表中显示； 11、自动调整列宽； 12、高度可定制的显示格式、文件大小和日期信息； 13、对于每一个文件和文件夹，使用的磁盘空间会立即显示
16710编辑于 2026-03-26 - 来自专栏用户6881919的专栏
论文阅读9-----基于强化学习的推荐系统
日常abstract操作，RL用于推荐系统很受欢迎，但是直接用RL推荐系统做线上测试和训练会伤害用户。 image.png DISCRIMINATOR image.png image.png image.png image.png image.png image.png 好了好了又想学习推荐系统科研的小可爱们 主页或是由中国人民大学出品的RecBole https://github.com/xingkongxiaxia/Sequential_Recommendation_System 基于ptyorch的当今主流推荐算法 tensorflow_recommend_system 我还有基于tensorflow的代码 https://github.com/RUCAIBox/RecBole RecBole(各种类型的，超过60种推荐算法
81800发布于 2021-01-18 - 来自专栏机器学习初学者精选文章
【推荐系统】推荐系统概述
— 哈珀·李 许多人把推荐系统视为一种神秘的存在，他们觉得推荐系统似乎知道我们的想法是什么。Netflix 向我们推荐电影，还有亚马逊向我们推荐该买什么样的商品。 推荐系统从早期发展到现在，已经得到了很大的改进和完善，以不断地提高用户体验。尽管推荐系统中许多都是非常复杂的系统，但其背后的基本思想依然十分简单。 推荐系统是什么？ 如何构建一个推荐系统？ 现在已经有很多种技术来建立一个推荐系统了，我选择向你们介绍其中最简单，也是最常用的三种。他们是：一，协同过滤；二，基于内容的推荐系统；三，基于知识的推荐系统。 混合推荐系统 文章到目前为止所介绍的不同类型的推荐系统都各有优劣，他们根据不同的数据给出推荐。一些推荐系统，如基于知识的推荐系统，在数据量有限的冷启动环境下最为有效。 推荐系统与AI？ 推荐系统常用于人工智能领域。推荐系统的能力 – 洞察力，预测事件的能力和突出关联的能力常被用于人工智能中。另一方面，机器学习技术常被用于实现推荐系统。
2.5K33发布于 2021-07-07 - 来自专栏MongoDB中文社区
9月.精华文章推荐
复杂查询本身在数据库中执行，而无需使用额外的分析框架或工具，并避免了在传统企业架构中的操作和分析系统之间移动数据所必需的ETL流程的延迟。 ? 许多组织广泛使用LDAP来标准化和简化大量用户通过内部系统和应用程序进行管理的方式。在许多情况下，LDAP也被用作用户访问控制的集中权限，以确保内部安全策略符合企业和监管指南。 为了灵活性和灾难恢复，保护服务可用性并从导致数据损坏或丢失的事件中恢复，MongoDB为系统故障提供容错，以及用于灾难恢复的备份和恢复工具。 但是如果是从2.6升级到3.0版本的，MongoDB还是支持 MONGODB-CR 算法的，然而官方极力推荐升级算法。 中的验证过程，这里就简单总结一下： 服务器 Product Name: ProLiant DL360 Gen9 Storage: RAID10, SSD, 1600GB CPU*2: Intel(R)
84120发布于 2018-08-14 - 来自专栏MongoDB中文社区
9月.精华文章推荐
复杂查询本身在数据库中执行，而无需使用额外的分析框架或工具，并避免了在传统企业架构中的操作和分析系统之间移动数据所必需的ETL流程的延迟。 ? 许多组织广泛使用LDAP来标准化和简化大量用户通过内部系统和应用程序进行管理的方式。在许多情况下，LDAP也被用作用户访问控制的集中权限，以确保内部安全策略符合企业和监管指南。 为了灵活性和灾难恢复，保护服务可用性并从导致数据损坏或丢失的事件中恢复，MongoDB为系统故障提供容错，以及用于灾难恢复的备份和恢复工具。 但是如果是从2.6升级到3.0版本的，MongoDB还是支持 MONGODB-CR 算法的，然而官方极力推荐升级算法。 中的验证过程，这里就简单总结一下： 服务器 Product Name: ProLiant DL360 Gen9 Storage: RAID10, SSD, 1600GB CPU*2: Intel(R)
92050发布于 2019-04-22 - 来自专栏杨熹的专栏
推荐系统
本文结构： 推荐系统 常用方法 简介 模型 cost, gradient 表达式 代码实现 应用实例 参考： Coursera－Andrew Ng 的 Machine Learning Sirajology 推荐系统 根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。 为用户节省时间，还能挖掘可能用户自己都不知道的潜在兴趣点。 生活中的例子：喜马拉雅上根据我听过的书推荐相关的内容，效果不错，推荐的很多我都会订阅。Youtube上根据我看过的视频推荐内容，如果我在追剧，它会把最新的剧集放在我首页，还有我可能感兴趣的电影。 还有很多例子和方法，以及冷启动等关键问题，推荐大家看《推荐系统实战》这本书，之前去听新浪微博的分享，这本书是他们推荐系统部门的必备材料。 ---- 2. 基于内容，物品，用户的推荐就是把相关的特征表达为向量形式后，计算它们之间的距离，根据相似度高的来为你推荐。 ?
1.6K102发布于 2018-04-02 - 来自专栏LhWorld哥陪你聊算法
【推荐系统篇】--推荐系统之训练模型
经过之前的训练数据的构建可以得到所有特征值为1的模型文件，本文将继续构建训练数据特征并构建模型。
1.6K10发布于 2018-09-13 - 来自专栏CDN及云技术分享
用9行python代码演示推荐系统里的协同过滤算法
一、推荐系统快速入门 推荐系统是属于信息过滤领域的一个范畴，目标在预测用户对某个项目（例如产品、电影、歌曲等）的“评分”或“偏好”。 推荐系统通过与用户交互的痕迹来了解用户的兴趣，从而提供个性化信息。 与其他机器学习算法非常相似，推荐系统根据用户过去的行为进行预测。具体来说，它在根据经验预测用户对一组项目的偏好。 从数学上讲，推荐任务设置为： 用户集 (U) 要推荐给 用户集(U)的一组项目 (I) 学习一个基于用户过去交互数据的函数，预测项目 I 到 U 的可能性 根据用于推理的数据，推荐系统大致分为两类： 基于内容的过滤 推荐系统的一些重要应用包括渗透在我们生活里面的方方面面： 购物网站上的产品推荐 流媒体网站的电影和电视节目推荐 新闻网站上的文章推荐 二、什么是协同过滤？ In [8～9]: 最后使用groupb()以title维度的每个推荐分数。 然后除以权重和进行归一化。基于用户的相似的和他们的评分critics来达到推荐给Toby用户的每个电影打分。
1.6K10编辑于 2024-03-08 - 来自专栏AutoML(自动机器学习)
Andrew Ng机器学习课程笔记--week9(上)(异常检测&推荐系统)
Estimation Problem Motivation Gaussian Distribution Algorithm Building an Anomaly Detection System（创建异常检测系统 Building an Anomaly Detection System（创建异常检测系统） 1） Developing and Evaluating an Anomaly Detection System 当我们开发一个 异常检测系统时，我们从带标记（异常或正常）的数据着手，我们从其中选择一部分正常数 据用于构建训练集，然后用剩下的正常数据和异常数据混合的数据构成交叉检验集和测试 集。 我们估计特征的平均值和方差并构建 p(x)函数 对交叉检验集，我们尝试使用不同的 ε 值作为阀值，并预测数据是否异常，根据 F 1 值或者查准率与查全率的比例来选择 ε 选出 ε 后，针对测试集进行预测，计算异常检验系统的
86190发布于 2018-01-23 - 来自专栏深度学习自然语言处理
【推荐系统】推荐系统中的图网络模型
整理：极验 作者：Roxana Pamfil 在互联网时代，推荐系统无处不在。不仅可以向用户推荐实体商品，还可以推荐电影、歌曲、新闻报道、酒店旅行等，为用户提供量身定制的选择。 这些系统中有许多都涉及了协同过滤——根据其他相似用户的偏好向用户推荐 item。推荐系统的背后还用到了包括矩阵分解、邻域方法以及各种混合方法。 通过在这样的网络中进行边预测，可以解决两个重要的业务问题： 1、Recommendations ——我们应该给用户推荐哪些新商品？ 网络和社区结构 网络是系统的抽象表示，其中称为节点的对象通常以成对的方式通过边相互交互。 一项重要任务是预测新的边，可以将其引入推荐系统和针对性的促销活动。在计算性能方面，社区检测是我们描述的过程中最耗时的部分。 该 network 方法的主要优势在于它不受监督。
2.2K10发布于 2019-12-11 - 来自专栏LhWorld哥陪你聊算法
【推荐系统篇】--推荐系统之测试数据
一、前述 线上模型部分根据用户的行为数据进行推荐，相当于测试数据 二、具体代码 package com.alibaba.dubbo.demo.impl; import com.alibaba.dubbo.demo.RcmdService
98330发布于 2018-09-13 - 来自专栏小小挖掘机
推荐系统评价：什么是好的推荐系统
但一个系统的好坏往往需要全链路的评定，贯穿于用户的整个交互过程。之所以说好的推荐系统更难定义，是因为虽然算法是核心，但是个性化推荐往往不止由算法构成，这背后需要各种技术支撑。 宗旨：服务提供方与消费方的双赢 推荐系统是一个多方交互的复杂系统，有很多因素能够对推荐系统的效果产生影响，本文试对这些因素中的一些代表性因素进行简单的阐述分析。 ▌宏观 从宏观上来看，好的推荐系统就是满足用户的需求，帮助其进行路径优化与兴趣发现。微观上来讲，好的推荐系统一定是再为产品服务，不同的产品阶段，我们需要确立不同的推荐系统目标及评价体系。 推荐系统角度 1) 长尾挖掘 挖掘必然是推荐需要去完成的一件事，长尾作为大头的存在，分发过程中需要将把握，或者说长尾挖掘是好的推荐系统需要去完成的任务。 所以在推荐的过程中我们会根据推荐的主体不同做更多的推荐策略算法和系统的适配，最终去推动。
3.1K51发布于 2019-06-24 - 来自专栏机器学习与推荐算法
推荐系统实践系列 | 一、推荐系统流程设计
推荐系统主要解决的是信息过载问题，目标是从海量物品筛选出不同用户各自喜欢的物品，从而为每个用户提供个性化的推荐。 推荐系统往往架设在大规模的业务系统之上，不仅面临着用户的不断增长，物品的不断变化，而且有着全面的推荐评价指标和严格的性能要求（Netflix 的请求时间在 250 ms 以内，今日头条的请求时间在 200ms 为了解决如上这些问题，推荐系统通常被设计为三个阶段：召回、排序和调整，如下图所示： ? 这里以文章推荐系统为例，讲述一下推荐系统的完整流程，如下图所示： ? 同步业务数据 为了避免推荐系统的数据读写、计算等对应用产生影响，我们首先要将业务数据从应用数据库 MySQL 同步到推荐系统数据库 Hive 中，这里利用 Sqoop 先将 MySQL 中的业务数据同步到推荐系统的
2.6K33发布于 2020-04-20 - 来自专栏AutoML(自动机器学习)
Andrew Ng机器学习课程笔记--week9(下)（推荐系统&协同过滤）
Estimation Problem Motivation Gaussian Distribution Algorithm Building an Anomaly Detection System（创建异常检测系统 Low Rank Matrix Factorization Implementational Detail：Mean Normalization 二、重点&难点 Recommender System(推荐系统 ) 1.Predicting Movie 1）Problem Formulation 下面将以推荐电影为例来介绍推荐系统的实现。 ) 1.获取特征向量 为了实现推荐，我们为每部电影提取出了两个特征值，即x1（浪漫指数）和x2（动作指数） movie Alice Bob Carol Dave x1 x2 Love at last ^{(i,j)} )x_k^{(i)}+λθ_k^{(j)}\] 2.Collaborative Filtering(协同过滤) 1）Collaborative Filtering 在之前的基于内容的推荐系统中
1K70发布于 2018-01-23 - 来自专栏后端技术
推荐系统 入门
推荐系统一般分为三种： Content-based System 首先根据物品的元数据，发现物品的相关性，然后基于用户以前的喜好记录推荐给用户相似的物品[2] 详情可看基于内容推荐算法详解(比较全面的文章 ，为用户推荐别的商品。 对于用户U，根据其购买记录，可用找到相似的物品作为推荐 ? 被用于推荐用户偏好。 本文主要阐述memory-based method的推荐系统 相似度的计算方法 推荐物品预测能力的性能，取决于用于计算用户间相似度的方法。人们发明出各种计算相似度的方法。
98830发布于 2019-05-25 - 来自专栏JavaEdge
窥探推荐系统
本文将深入介绍推荐系统的工作原理，和其中涉及的各种推荐机制，以及它们各自的优缺点和适用场景，帮助用户清楚的了解和快速构建适合自己的推荐系统。 又或者他们需要更加符合他们个人口味和喜好的结果，因此出现了推荐系统，与搜索系统对应，大家也习惯称它为推荐系统。 2 推荐系统 推荐系统利用特殊的信息过滤技术，将不同的物品或内容推荐给可能对它们感兴趣的用户。 这是一个最基本的推荐系统分类，其实大部分人们讨论的推荐系统都是关于个性化的推荐系统，因为从根本上说，只有个性化的推荐系统才是更加智能的信息发现过程。 推荐系统的魔力在于你不清楚在这个推荐背后，系统到底记录和推理了些什么。
44751编辑于 2022-11-30 - 来自专栏星回的实验室
推荐系统初探
在深坑外围徘徊了一周后，我整理了一些推荐系统的基本概念以及一些有代表性的简单的算法，作为初探总结，也希望能抛砖引玉，给同样想入坑的伙伴们提供一些思路。 1. 什么是推荐系统？ 推荐系统是啥？ 没错，猜你喜欢、个性歌单、热点微博，这些都是推荐系统的输出内容。从这些我们就可以总结出，推荐系统到底是做什么的。 * 目的1. 因此我们需要推荐系统来帮助用户过滤掉低价值的信息。 * 目的3. 提高站点的点击率/转化率 * 好的推荐系统能让用户更频繁地访问一个站点，并且总是能为用户找到他想要购买的商品或者阅读的内容。 当有一名新用户或者新物品进入系统时，推荐将无从依据； 在一些item生存周期短（如新闻、广告）的系统中，由于更新速度快，大量item不会有用户评分，造成评分矩阵稀疏，不利于这些内容的推荐。 比如当推荐的内容里包含敏感词汇、涉及用户隐私的内容等等，就需要系统将其筛除；若数次推荐后用户依然对某个item毫无兴趣，我们就需要将这个item降低权重，调整排序；另外，有时系统还要考虑话题多样性的问题
1.3K40发布于 2018-08-02 - 来自专栏JavaEdge
窥探推荐系统
本文将深入介绍推荐系统的工作原理，和其中涉及的各种推荐机制，以及它们各自的优缺点和适用场景，帮助用户清楚的了解和快速构建适合自己的推荐系统。 又或者他们需要更加符合他们个人口味和喜好的结果，因此出现了推荐系统，与搜索系统对应，大家也习惯称它为推荐系统。 2 推荐系统 推荐系统利用特殊的信息过滤技术，将不同的物品或内容推荐给可能对它们感兴趣的用户。 这是一个最基本的推荐系统分类，其实大部分人们讨论的推荐系统都是关于个性化的推荐系统，因为从根本上说，只有个性化的推荐系统才是更加智能的信息发现过程。 推荐系统的魔力在于你不清楚在这个推荐背后，系统到底记录和推理了些什么。
66230发布于 2018-12-26 - 来自专栏容器计算
推荐系统浅谈
1 推荐系统基础知识 从常用概念展开, 简要介绍基本原理和流程, 以便业务方了解如何构建和使用推荐系统 2 基本概念 2.1 推荐系统 通过将内容 (生产方) 与用户 (消费方) 进行匹配, 提供符合不同消费方各自偏好的内容 通过人工或机器的方法, 对内容和用户添加特征, 用来标识其特有属性, 可从内容本身中发现, 也可从用户行为中体现, 也可由用户自行填写, 如用户性别, 内容长度, 内容分类等 2.6 适用场景 什么时候引入推荐系统 当内容和用户积累达到一定量级 (内容至少千级), 且内容分布达到一定宽度, 可分离出不同维度, 进而产生了用户对内容的偏好性, 需要对内容进行合理高效的分发以充分利用流量, 并开始要求高并发高实时的性能时, 可以开始考虑使用推荐系统 3 实现依赖 仅简要阐述实现推荐系统所需的功能组件, 是基本概念的具象化 3.1 内容画像 可包含: 标签, 类别等结构化特征 原始文本, 图片等非结构化特征 动态属性, 如用户行为的聚合 3.2 用户画像 A/B 测试 设计对照组和测试组, 切一部分真实流量, 运行一段时间后, 观察核心指标的差异, 如有提升可认为达到预期效果, 最终逐步替换现有方案 6 业务形态 涉及将内容分发给用户的场景均可使用, 推荐系统在广义上就是对用户画像和内容画像的有效使用
77021发布于 2020-08-06 - 来自专栏大数据技术栈
推荐系统 —— 概述
推荐系统是什么 我想大家应该都对推荐系统不会陌生，不管你是逛淘宝还是刷抖音，你都能看到推荐的存在，也是因为推荐的存在，才能让你才海量的信息中看到自己感兴趣的东西。 其实我相信大家都知道什么是推荐系统，这里我仅以我个人的观点阐述一下。我们从以下两点来说： 推荐 我们可以将推荐理解为推荐算法，也是推荐系统的核心驱动。 推荐系统如何评测 推荐系统的评测在实际工作工程中可能比 推荐系统的实现更加重要 和 复杂，这一块我们有机会后面来聊一聊，这里仅以 推荐系统实战 这本书列举一下评测方法，大概了解一下就好，这块不是一下就能说明白的 用户满意度 用户作为推荐系统的重要参与者，其满意度是评测推荐系统的最重要指标。 预测准确度 预测准确度度量一个推荐系统或者推荐算法预测用户行为的能力。这个指标是最重要的推荐系统离线评测指标，从推荐系统诞生的那一天起，几乎99%与推荐相关的论文都在讨论这个指标。
76531发布于 2019-10-30
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号