**作者简介：**minlonglin，AI平台部Y项目组员工。2012年毕业于中国科学技术大学计算机科学与技术学院，读博期间主攻集成学习、类别不平衡分类等方向，期间曾在IEEE Transactions on Neural Networks and Learning Systems发表类别不平衡分

一、文本关键词提取的前世今生 文章的表示具有不同的层次，由粗到细可分为类型（分类）、事件（主题）、代表词（关键词）等，关键词是文章表示的重要环节。文本的关键词可以被认为“浓缩”了整篇文章的主旨和要义，是一篇文章高度概括的自然语言表示形式。更加精准的文本关键词，可以为后续推荐系统带来更精准的文本内容特

相关性是对称的 在内容推荐系统里，一个常用的方法是通过理解内容（挖掘内容属性）去挖掘用户的兴趣点来构建推荐模型。从大多数业务的效果来看，这样的模型是有效的，也就是说用户行为与内容是相关的。不过有一点常被忽略的是：相关性是对称的！这意味着如果可以从内容属性去理解用户行为，预测用户行为，那么也可以通过理

写在前面 本文介绍了神盾推荐系统中基于热传导模型的相关推荐模块. 神盾推荐系统是 SNG 数据中心立身 QQ 大数据构建的通用化推荐平台. 服务于应用宝, 手Q手游推荐, 企鹅 FM 等多个应用场景, 为业务方提升收入, 提高用户体验做出巨大贡献. 代号说明 神盾的基于热传导模型的相关推荐模块的代号

| 导语 腾讯神盾开放通用推荐系统一般将推荐问题转化为分类问题，而对于列表推荐场景，推荐问题更近似于排序问题。本文将介绍排序学习技术与推荐算法结合的Pairwise方法及其具体实现 – Pairwise Ranking Factorization Machines (PRFM) 算法，并分享PRFM

作者介绍：雷小平，腾讯神盾推荐系统负责人，带领神盾团队多次获得公司级各种奖项。 本次分享是神盾推荐系统中针对快数据应用场景的架构介绍，分为数据计算和数据分发两个部分。 第一部分：综述 QQ大数据团队服务于QQ生态里种类繁多的产品，在这些产品中存在大量的个性化推荐场景。以下图左边的页面为例，在手Q安卓

作者介绍: 黄俊, 腾讯高级研究员, 神盾推荐离线平台架构师 本次分享是神盾推荐系统中的 Griddle 框架的介绍, 这个框架是一个面向商品推荐的级联框架。 ​ 前言 当我们讨论推荐系统的时候, 我们一般是说广告推荐. 对于广告推荐, 业界最领先的架构是采用两层架构. 使用一个双塔结构做召回, 再

前言 本文介绍我们在推荐系统领域的大规模参数学习研究. 问题的起源是探究给每一个用户学习一个 ID 层级的表征, 而在千万量级的业务上, 学习如此特征将会牵涉到超十亿规模的参数学习. 对此我们根据推荐算法的特点, 实现了一个无需使用参数服务器, 在普通 Spark 能够运行的支持大规模参数学习的 F

导语：本系列文章一共有三篇，分别是 《科普篇 | 推荐系统之矩阵分解模型》 《原理篇 | 推荐系统之矩阵分解模型》 《实践篇 | 推荐系统之矩阵分解模型》 第一篇用一个具体的例子介绍了MF是如何做推荐的。第二篇讲的是MF的数学原理，包括MF模型的目标函数和求解公式的推导等。第三篇回归现实，讲述MF算

本文原作者：赖博先，经授权后发布。 背景 随着我们底层特征库中特征数目的不断增长，如何组合特征，如何针对不同场景选择适合的特征，如何评估特征优劣？这些问题已经日益凸显，所以这次想梳理现有的特征工程方法，并将通用的模块抽象成工具，封装到神盾离线计算平台。 特征构造 对于一个推荐场景，特征构造主要是根据

**【导读】**腾讯首个AI开源项目Angel，正式发布一个里程碑式的版本：Angel 3.0。这是一个全栈机器学习平台，功能特性涵盖了机器学习的各个阶段，超过50万行代码，在 GitHub 上 Star 数已超过 4200，Fork 数超过 1000。 一个全栈机器学习平台，近日悄悄上线了。 8月

腾讯首个AI开源项目Angel，正式发布一个里程碑式的版本：Angel 3.0。这是一个全栈的机器学习平台，功能特性涵盖了机器学习的各个阶段，超过50万行代码，在 GitHub 上 Star 数已超过 4200，Fork 数超过 1000。 一个全栈的机器学习平台，近日悄悄上线了。 8月22日，腾讯

本文作者：腾讯微信支付算法研究员 介绍 工业界通用推荐系统包括两个阶段的流程，匹配（match）和排序（rank）。在匹配的过程中主要是根据用户的一些兴趣点，找到可能感兴趣的潜在商品集。由于整个商品集的海量性，对实时访问的用户去计算他对全部商品的感兴趣程度是不实际的，所以需要预先根据一些兴趣、特征策

作者：weidongguo，腾讯 PCG 应用研究员。 目前信息流推荐中使用的内容理解技术，主要有两部分构成：1、门户时代和搜索时代遗留的技术积累：分类、关键词以及知识图谱相关技术；2、深度学习带来的技术福利：embedding。但是分类对于兴趣点刻画太粗，实体又容易引起推荐多样性问题，而 embe

关于作者 辛俊波，腾讯算法数据中心\应用算法组 导语I推荐系统和搜索应该是机器学习乃至深度学习在工业界落地应用最多也最容易变现的场景。而无论是搜索还是推荐，本质其实都是匹配，搜索的本质是给定 query，匹配 doc；推荐的本质是给定 user，推荐 item。本文主要讲推荐系统里的匹配问题，包括传