- 浏览: 762113 次
- 性别:
- 来自: 北京
文章分类
- 全部博客 (292)
- java (40)
- windows系统 (5)
- mongodb (4)
- Highcharts (7)
- c# (9)
- SqlServer (2)
- jquery (8)
- javascript (2)
- ibatis (3)
- IIS (1)
- mybatis (11)
- mysql (13)
- thrift (2)
- ubuntu (8)
- storm (18)
- tomcat (7)
- hadoop (14)
- 文件同步 (3)
- 推荐&统计系统 (18)
- zookeeper (14)
- memcache (10)
- Kafka (15)
- mevan (4)
- nginx lua (10)
- flume-ng (11)
- Redis (9)
- hbase (17)
- hive (19)
- sqoop (3)
- fastjson (1)
- spring (10)
- jdbc (1)
- linux (16)
- 财务软件安装 (1)
- git (3)
- svn (1)
- jenkins (5)
- squid (1)
- idea (1)
- hsqldb (1)
- log4j (1)
- CSS 颜色代码大全 (0)
- cassandra (1)
- canal (1)
- EasyMock (1)
- netty (2)
- netty4+protobuf (2)
- util:properties (1)
- ajax (0)
最新评论
-
liyonghui160com:
RAYFUXK 写道您好,我最近也在使用Canal,但是遇到了 ...
canal使用配置详解 -
xinglianxlxl:
订阅发布对我有用
redis-2.8.13 jedis实现订阅发布-publish/subscribe -
liyonghui160com:
这个不能按照一条一条的读取数据。使用需要完善。
flume文件监控的source,支持断点续传功能 -
RAYFUXK:
您好,我最近也在使用Canal,但是遇到了一个问题。ERROR ...
canal使用配置详解 -
yicong:
非常感谢!发现github里面的log4net版本太 ...
Zookeeper .Net客户端代码
回想起来,我也做推荐了3年多了,最近公司做了调整招聘了很多算法工程师,以为需要多么高大上的算法才能搭建起来的,从实践中走过来,我只想说【不是这样的】
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的wcf框架实现了和现在mapreduce一样的功能,分析了用户的日志,一台分发任务,其余计算计算完回传到分发任务的这台计算机,这台计算机合并各台回传数据批量入库,到现在程序还在使用中。而现在就是每天晚上数据部会同步到他们的数据仓库中。也许在现在很多人眼里看来很可笑吧!
当然推荐的数据量也咩有想想的那么多用mysql和mongodb完全支持,当然不是说没有必要搭建hadoop。
推荐不是仅仅靠算法,还要结合实际的场景,不同的产品进行推荐,来调整算法。要有各种各样的过滤引擎支持对数据的过滤处理。
推荐算法还要分品类进行调整,不是一个算法适用于所有品类,图书和3C完全不同的概念。
推荐是在实践当中不断积累和完善的。
我也看了那些认为算法很牛逼人物们的博客文章,比如用文本写了几行测试数据自认为会了ItemCF的算法,可是你有没有考虑过,如果商品过亿,评论过亿,订单过亿的时候你的这个例子怎么搬到线上去运行呢?难道你要一下子塞到机器内存,我想机器会疯掉的吧!
当然理论大家还是要学的,呵呵!
推荐的应用当中会遇到很多细小的问题,不是算法就能能够解决,根据实际情况建模建立规则去解决问题,才是关键。
写以上应为我看了一篇文章,一遍一遍的读我读了好几遍,转载给大家:
http://www.aszxqw.com/work/2014/06/01/tuijian-xitong-de-nadianshi.html
回想起来,我也算是国内接触推荐系统较早的人之一了,最近和人聊天,觉得不少人对推荐系统有所误解,以为需要多么高大上的算法才能搭建起来的,我只想说我经常说的那句话【不是这样的】,所以有了这篇文章。
第一次接触【推荐系统】是在两年前在某高校的互联网信息处理实验室的时候,那时候,【机器学习】和【大数据】都是新概念,但是差不多半年后,【大数据】的概念就开始风靡全球了,到现在已经被爆炒得面目全非。
那年还因此买了一本项亮的书《推荐系统实践》,那本书和现在的很多热门书籍一样,都是跟着概念热起来的。 虽然有一些作者自己的实战经验在里面,但是总体上来说并没有太多值得重复翻开的地方。
几乎所有宣扬【推荐系统】的人,都要拿【啤酒和尿布】,【亚马逊推荐占营收20%】之类的经典例子来说力证推荐系统的牛逼之处。到处宣扬【推荐系统】插上【机器学习】等算法的翅膀,就能让电子商务变得精准无比,能智能的猜出用户想买的东西。
殊不知,其实这两个例子和所谓的【算法】其实关系不大。
1. 啤酒和尿布
首先是【啤酒和尿布】,超市的人员发现买啤酒的男人容易顺手买尿布。这其实是一种数据分析,是根据数据统计加上人工分析得出,是一种以经验来改善销售的行为。和【机器学习】【数据挖掘】等算法的关系不大。 刚接触【推荐系统】的时候,【协同过滤算法】大
热, 我也曾经迷恋得研究过该算法,以为发现了什么宝贝一样。但是实际上,在工程中【协同过滤】出来的效果往往惨不忍睹,所谓的【算法工程师】每天能做的就是在那调整【协同过滤】算法的相关参数,然后看看第二天的点击率有没有上升。然后调整到最后你会发
现,牛逼哄哄的【协同过滤】其实还不如简简单单的【看了又看】效果来的好,虽然协同过滤算法本质上也是一种【看了又看】的思想。但是所谓的【算法工程师】不会因此停下他们探索的脚步,他们会继续去寻找更高大上的算法来实验,才能显得他们有在为自己的工资付出每天的辛勤劳动。
2. 亚马逊的推荐系统
亚马逊的推荐系统占了营收比,我记得是20%,不知道现在上升了还是下降了。这个说辞会让很多人误以为只要你搞好了推荐系统,你的营收就能上升20%以上一样。其实不然,对于亚马逊来说,为什么推荐能起到这么高的销量,一个很重要的原因在于,【亚马逊的首页点击率高的部分位置划分给了推荐系统的】,从广告学上讲,广告位置的好坏极大的决定了广告的销量。这个很容易理解
当然不可否定的是亚马逊的推荐系统应该是很牛逼的,但是这并不说明他们采用的【推荐算法】非常牛逼。推荐系统我认为其实和搜索系统并无太大差异,我一直认为推荐系统其实只是一个个性化的搜索引擎。之前在【秘密】上很火的有个爆料是:“360搜索的Rank刚开始就是用【机器学习】的算法去做,屎一样的效果,是我把百度的基于规则的算法偷过去之后才变好的。” ,这个爆料出来不少人讽刺【基于规则】,觉得这是在黑百度的算法。 其实不是这样的,记得当时阿里搜索挖了一个谷歌搜索的员工,该人在阿里分享的时候就说过:【谷歌的搜索效果比别人好的原因就是规则库牛逼,关于算法使用的都是成熟的人尽皆知的算法,并没什么新奇酷的算法】。 可能也是这个原因,谷歌研究院的科学家几乎全是【工程师背景】出身的。
还记得上次【CCF推荐系统前言讲座】,刚开始叫了几个学院派的讲师在那大讲特讲各种酷炫掉渣天的算法,然后淘宝打大数据负责人车品觉 上台之后直接来了句【我们实验出各种算法效果不太好,还不如最基本的 关联规则 效果来的好】直接把前面的学院派专家们打脸打得都肿了。
我心目中的推荐系统
不管是电商,或者是新闻,都有【个性化推荐】和【热门推荐】的取舍。一个商品热门或者点击量高是有其原因的。所以将热门的东西推荐给用户是非常合情合理的,因为既然热门,也侧面说明了很大概率上该用户也会喜欢该商品。而【个性化推荐】本质上是为了解决【长尾】问题,把那些不热门的东西,但是很可能符合某特定用户品味的商品【挖掘】出来,推荐给特定的用户群。
首先,在推荐中,醒目的推荐位应该是【热门推荐】或者【人工推荐】,【人工推荐】是指比如在体育新闻中,巴萨夺冠之类的大新闻是直接让编辑来【人工推荐】即可,就是此新闻一出,马上登上头条,而不是在那磨磨唧唧的计算特征值,计算是相似度,计算是否符合用户兴趣。 对于推荐中的【冷启动】,最理想的推荐就是【相关推荐】。说到这里,整个推荐系统的 80% 已经搭建完毕,【热门推荐+人工推荐+相关推荐】,这三者都是【个性化】都没什么关系,也算法关系也不大,但是这三者效果的好坏就决定了整个系统推荐效果好坏的 80% 。好多人连最基本的这三者都没有做好,就开始想一步登天,很可惜,这样的捷径是不存在的。 接下来是 20% 的【个性化】的做法,如上所说,个性化是为了解决【长尾】问题,正是因为长尾占商品的 20% ,所以在此我任务【个性化】其实也只有 20% 。
要解决个性化,首先就是要对用户分析,最成熟的办法就是对用户打标签(是否让你想起来社交网络为什么经常让你选用合适的标签描述自己,没错,就是为了分析你)。
其实,给用户打标签,逼格更高的说法叫【用户特征提取】或者【用户行为分析】。说到这两个词,那些所谓的【算法工程师】可能就会开始扯什么高大上的算法,机器学习,自然语言处理,数据挖掘等各种算法。其实在我看来,算法很大情况根本派不上用场,我认为这方面的关键在于【数据统计 + 人工分析】。将用户的浏览记录等记录下来,统计他最常点击的东西,最常去的频道,然后给他打上这些频道或者商品的标签。或者收集更详细的信息,比如年龄,打上【青少年,男人,女人,老人】等标签,根据这些标签进行推荐。
比如当推荐护肤的商品时,就可以偏向于女人,推荐运动产品时,就可以偏向于男人和青少年,推荐保健品时,就可以偏向于老年人。所以,光看年龄这个标签的维度,就可以做很多文章。所以标签库的设计和积累,是非常广泛和重要的,而这方面需要大量依赖于【人工分析】,而不是看论文调算法能做到的。 就好比现在的中文分词,拼到最后大家都在比词库的积累,谁的词库好,谁的效果就好,【搜狗】的【拼音输入法】效果好也是因为词库比别人好。
最后就是根据标签的定向推荐,这个推荐概率是有【权重设置】在里面,就比如刚才对年龄这个维度的权重,是需要给予对应的权重值,如何给定呢?其实就是【拍脑袋】,当然,如果有某些公司已经得出经验值了直接可以拿来用就会更好。但是在拍完脑袋之后需要做的就是观察点击率变化,查Bad Case,然后再对权重进行调整,也就是根据评测和反馈来调整,没有【评测和反馈】,整个系统等于是一个黑盒,谈何优化?在我看来,【推荐系统】本质上首先是一个系统,需要不断的对各种效果进行【评测】,查各种【Bad Case】,而这些都不是看论文可以学到的东西。
总结
实力派的【算法工程师】往往都是ABC[always be coding],这样的算法工程师才能根据实际问题建立模型或者建立规则库,是真正能解决问题的人。往往是一些有研究背景,经验丰富的研究员,更加重视工程,因为工程架构上一些恰当合理的设计,效果往往就能远远高过于模型算法优化。
学院派的【算法工程师】往往是为了算法而算法,而不是为了解决推荐系统的问题去找最适合算法。这也是为什么大公司经常招了一些博士毕业的算法工程师后,不是研究算法而是让他们整天在那看数据报表?【因为发现算法没啥好研究,而且他们的工程能力又太蹩脚,只能让他们在那看看报表找找规律了。】
【几乎所有所谓的智能推荐算法都是花拳绣腿】
当一个做推荐系统的部门开始重视【数据清理,数据标柱,效果评测,数据统计,数据分析】这些所谓的脏活累活,这样的推荐系统才会有救。
哈哈 对的,做了有一段时间了,可以多交流
第一次接触推荐系统是在四年前入职的时候,那时候,机器学习和大数据都是没有的概念,什么大数据处理开源软件根本不存在,我们用多台计算机web程序记录用户行为,用.net的wcf框架实现了和现在mapreduce一样的功能,分析了用户的日志,一台分发任务,其余计算计算完回传到分发任务的这台计算机,这台计算机合并各台回传数据批量入库,到现在程序还在使用中。而现在就是每天晚上数据部会同步到他们的数据仓库中。也许在现在很多人眼里看来很可笑吧!
当然推荐的数据量也咩有想想的那么多用mysql和mongodb完全支持,当然不是说没有必要搭建hadoop。
推荐不是仅仅靠算法,还要结合实际的场景,不同的产品进行推荐,来调整算法。要有各种各样的过滤引擎支持对数据的过滤处理。
推荐算法还要分品类进行调整,不是一个算法适用于所有品类,图书和3C完全不同的概念。
推荐是在实践当中不断积累和完善的。
我也看了那些认为算法很牛逼人物们的博客文章,比如用文本写了几行测试数据自认为会了ItemCF的算法,可是你有没有考虑过,如果商品过亿,评论过亿,订单过亿的时候你的这个例子怎么搬到线上去运行呢?难道你要一下子塞到机器内存,我想机器会疯掉的吧!
当然理论大家还是要学的,呵呵!
推荐的应用当中会遇到很多细小的问题,不是算法就能能够解决,根据实际情况建模建立规则去解决问题,才是关键。
写以上应为我看了一篇文章,一遍一遍的读我读了好几遍,转载给大家:
http://www.aszxqw.com/work/2014/06/01/tuijian-xitong-de-nadianshi.html
回想起来,我也算是国内接触推荐系统较早的人之一了,最近和人聊天,觉得不少人对推荐系统有所误解,以为需要多么高大上的算法才能搭建起来的,我只想说我经常说的那句话【不是这样的】,所以有了这篇文章。
第一次接触【推荐系统】是在两年前在某高校的互联网信息处理实验室的时候,那时候,【机器学习】和【大数据】都是新概念,但是差不多半年后,【大数据】的概念就开始风靡全球了,到现在已经被爆炒得面目全非。
那年还因此买了一本项亮的书《推荐系统实践》,那本书和现在的很多热门书籍一样,都是跟着概念热起来的。 虽然有一些作者自己的实战经验在里面,但是总体上来说并没有太多值得重复翻开的地方。
几乎所有宣扬【推荐系统】的人,都要拿【啤酒和尿布】,【亚马逊推荐占营收20%】之类的经典例子来说力证推荐系统的牛逼之处。到处宣扬【推荐系统】插上【机器学习】等算法的翅膀,就能让电子商务变得精准无比,能智能的猜出用户想买的东西。
殊不知,其实这两个例子和所谓的【算法】其实关系不大。
1. 啤酒和尿布
首先是【啤酒和尿布】,超市的人员发现买啤酒的男人容易顺手买尿布。这其实是一种数据分析,是根据数据统计加上人工分析得出,是一种以经验来改善销售的行为。和【机器学习】【数据挖掘】等算法的关系不大。 刚接触【推荐系统】的时候,【协同过滤算法】大
热, 我也曾经迷恋得研究过该算法,以为发现了什么宝贝一样。但是实际上,在工程中【协同过滤】出来的效果往往惨不忍睹,所谓的【算法工程师】每天能做的就是在那调整【协同过滤】算法的相关参数,然后看看第二天的点击率有没有上升。然后调整到最后你会发
现,牛逼哄哄的【协同过滤】其实还不如简简单单的【看了又看】效果来的好,虽然协同过滤算法本质上也是一种【看了又看】的思想。但是所谓的【算法工程师】不会因此停下他们探索的脚步,他们会继续去寻找更高大上的算法来实验,才能显得他们有在为自己的工资付出每天的辛勤劳动。
2. 亚马逊的推荐系统
亚马逊的推荐系统占了营收比,我记得是20%,不知道现在上升了还是下降了。这个说辞会让很多人误以为只要你搞好了推荐系统,你的营收就能上升20%以上一样。其实不然,对于亚马逊来说,为什么推荐能起到这么高的销量,一个很重要的原因在于,【亚马逊的首页点击率高的部分位置划分给了推荐系统的】,从广告学上讲,广告位置的好坏极大的决定了广告的销量。这个很容易理解
当然不可否定的是亚马逊的推荐系统应该是很牛逼的,但是这并不说明他们采用的【推荐算法】非常牛逼。推荐系统我认为其实和搜索系统并无太大差异,我一直认为推荐系统其实只是一个个性化的搜索引擎。之前在【秘密】上很火的有个爆料是:“360搜索的Rank刚开始就是用【机器学习】的算法去做,屎一样的效果,是我把百度的基于规则的算法偷过去之后才变好的。” ,这个爆料出来不少人讽刺【基于规则】,觉得这是在黑百度的算法。 其实不是这样的,记得当时阿里搜索挖了一个谷歌搜索的员工,该人在阿里分享的时候就说过:【谷歌的搜索效果比别人好的原因就是规则库牛逼,关于算法使用的都是成熟的人尽皆知的算法,并没什么新奇酷的算法】。 可能也是这个原因,谷歌研究院的科学家几乎全是【工程师背景】出身的。
还记得上次【CCF推荐系统前言讲座】,刚开始叫了几个学院派的讲师在那大讲特讲各种酷炫掉渣天的算法,然后淘宝打大数据负责人车品觉 上台之后直接来了句【我们实验出各种算法效果不太好,还不如最基本的 关联规则 效果来的好】直接把前面的学院派专家们打脸打得都肿了。
我心目中的推荐系统
不管是电商,或者是新闻,都有【个性化推荐】和【热门推荐】的取舍。一个商品热门或者点击量高是有其原因的。所以将热门的东西推荐给用户是非常合情合理的,因为既然热门,也侧面说明了很大概率上该用户也会喜欢该商品。而【个性化推荐】本质上是为了解决【长尾】问题,把那些不热门的东西,但是很可能符合某特定用户品味的商品【挖掘】出来,推荐给特定的用户群。
首先,在推荐中,醒目的推荐位应该是【热门推荐】或者【人工推荐】,【人工推荐】是指比如在体育新闻中,巴萨夺冠之类的大新闻是直接让编辑来【人工推荐】即可,就是此新闻一出,马上登上头条,而不是在那磨磨唧唧的计算特征值,计算是相似度,计算是否符合用户兴趣。 对于推荐中的【冷启动】,最理想的推荐就是【相关推荐】。说到这里,整个推荐系统的 80% 已经搭建完毕,【热门推荐+人工推荐+相关推荐】,这三者都是【个性化】都没什么关系,也算法关系也不大,但是这三者效果的好坏就决定了整个系统推荐效果好坏的 80% 。好多人连最基本的这三者都没有做好,就开始想一步登天,很可惜,这样的捷径是不存在的。 接下来是 20% 的【个性化】的做法,如上所说,个性化是为了解决【长尾】问题,正是因为长尾占商品的 20% ,所以在此我任务【个性化】其实也只有 20% 。
要解决个性化,首先就是要对用户分析,最成熟的办法就是对用户打标签(是否让你想起来社交网络为什么经常让你选用合适的标签描述自己,没错,就是为了分析你)。
其实,给用户打标签,逼格更高的说法叫【用户特征提取】或者【用户行为分析】。说到这两个词,那些所谓的【算法工程师】可能就会开始扯什么高大上的算法,机器学习,自然语言处理,数据挖掘等各种算法。其实在我看来,算法很大情况根本派不上用场,我认为这方面的关键在于【数据统计 + 人工分析】。将用户的浏览记录等记录下来,统计他最常点击的东西,最常去的频道,然后给他打上这些频道或者商品的标签。或者收集更详细的信息,比如年龄,打上【青少年,男人,女人,老人】等标签,根据这些标签进行推荐。
比如当推荐护肤的商品时,就可以偏向于女人,推荐运动产品时,就可以偏向于男人和青少年,推荐保健品时,就可以偏向于老年人。所以,光看年龄这个标签的维度,就可以做很多文章。所以标签库的设计和积累,是非常广泛和重要的,而这方面需要大量依赖于【人工分析】,而不是看论文调算法能做到的。 就好比现在的中文分词,拼到最后大家都在比词库的积累,谁的词库好,谁的效果就好,【搜狗】的【拼音输入法】效果好也是因为词库比别人好。
最后就是根据标签的定向推荐,这个推荐概率是有【权重设置】在里面,就比如刚才对年龄这个维度的权重,是需要给予对应的权重值,如何给定呢?其实就是【拍脑袋】,当然,如果有某些公司已经得出经验值了直接可以拿来用就会更好。但是在拍完脑袋之后需要做的就是观察点击率变化,查Bad Case,然后再对权重进行调整,也就是根据评测和反馈来调整,没有【评测和反馈】,整个系统等于是一个黑盒,谈何优化?在我看来,【推荐系统】本质上首先是一个系统,需要不断的对各种效果进行【评测】,查各种【Bad Case】,而这些都不是看论文可以学到的东西。
总结
实力派的【算法工程师】往往都是ABC[always be coding],这样的算法工程师才能根据实际问题建立模型或者建立规则库,是真正能解决问题的人。往往是一些有研究背景,经验丰富的研究员,更加重视工程,因为工程架构上一些恰当合理的设计,效果往往就能远远高过于模型算法优化。
学院派的【算法工程师】往往是为了算法而算法,而不是为了解决推荐系统的问题去找最适合算法。这也是为什么大公司经常招了一些博士毕业的算法工程师后,不是研究算法而是让他们整天在那看数据报表?【因为发现算法没啥好研究,而且他们的工程能力又太蹩脚,只能让他们在那看看报表找找规律了。】
【几乎所有所谓的智能推荐算法都是花拳绣腿】
当一个做推荐系统的部门开始重视【数据清理,数据标柱,效果评测,数据统计,数据分析】这些所谓的脏活累活,这样的推荐系统才会有救。
评论
2 楼
liyonghui160com
2015-02-13
qindongliang1922 写道
这文章写的很接地气,我们公司也是这样的,楼主应该也是在电商公司做推荐的吧!
哈哈 对的,做了有一段时间了,可以多交流
1 楼
qindongliang1922
2015-02-11
这文章写的很接地气,我们公司也是这样的,楼主应该也是在电商公司做推荐的吧!
发表评论
-
超越算法来看待个性化推荐
2015-01-08 11:21 2002一提到个性化推荐,大家一般会想到协同过滤 ... -
推荐ABTest的实现策略总结
2014-11-08 12:22 204451. 背景介绍 ... -
nginx日志切割并使用flume-ng收集日志
2014-09-22 15:51 10459nginx的日志文件没有rotate功能。如果 ... -
flume-ng配置参数详解
2014-07-31 14:51 7369(说明,名词对应解释 源-Source,接收器-Si ... -
Flume-1.5.0+Kafka_2.9.2-0.8.1.1+Storm-0.9.2整合
2014-07-22 10:12 11610Flume-1.5.0+Kafka_2.9.2-0. ... -
本地日志rar压缩备份传输到其他机器上
2014-07-12 15:42 1100本地日志按照文件命名日期使用rar压缩,并远程备 ... -
朴素贝叶斯分类器
2014-07-01 14:57 1019朴素贝叶斯分类器基于统计的分类器一、病人分类的例子让我 ... -
关联算法增量实现原理
2014-08-12 18:00 648public class Test { ... -
Frequent Pattern 挖掘之二(FP Growth算法)
2014-06-27 14:17 1469Frequent Pattern 挖掘之二(FP G ... -
k-means和knn算法区别
2014-06-27 10:58 4312k-means算法 ... -
K-Means聚类算法理解
2014-06-26 18:18 1200k-means 算法接受参数 k ; ... -
数据挖掘算法之-关联规则挖掘(Association Rule)(购物篮分析)
2014-06-25 17:04 35791.置信度(confidence) ... -
knn距离公式比较
2014-06-24 18:47 11588在数据分析和数据挖掘的过程中,我们经常需 ... -
KNN推荐系统应用
2014-06-24 18:35 1338如果做网站的内容运营,相关内容推荐可以帮助用户更快地 ... -
常用推荐算法
2014-06-19 10:54 16873在推荐系 ... -
关联规则—频繁项集Apriori算法
2014-06-16 13:04 4953频繁模式和对应的关联或相关规则在一定程度上刻画 ... -
Apriori算法求数组的非空子集java代码
2014-06-16 12:49 964Apriori算法求集合的非空子集java代码 ...
相关推荐
最好用的串口调试工具(个人观点),名称为【Commix】,界面简介,使用方便,HEX、ASC 发送消息
个人网站的制作,其意义在于通过互联网建立属于自己的网站平台,提供一个推荐和展示自我的途径。个人网站的特点是突出的页面风格,个性化的功能模块,如:留言板、日志、相册等等,正是这些个性化的元素,让浏览者...
mumu-crunch mahout机器学习算法 mumu-mahout是一个学习项目,主要通过这个项目来学习mahout的功能和使用方式。mahout是一款开源的机器学习算法,主要...以上观点纯属个人看法,如有不同,欢迎指正。 email: github:
为什么推荐使用JSX开发Vue3 在很长的一段时间中,Vue 官方都以简单上手作为其推广的重点。这确实给 Vue 带来了非常大的用户量,尤其是最追求需求开发... 在开始说我个人的观点之前,我们先来看几个事实: 一是:
博客(Blog)是一种个人或团体用来发布文章、观点和经验分享的网站。博客通常以逆序方式显示文章,最新的文章会显示在前面,读者可以通过评论等方式与博主进行互动。博客可以涵盖各种主题,如个人生活、技术、旅行、...
作者以推荐当日值得一读的网络文章、网站、网络日志为主要任务,相当于过滤网络内容的义工,基本形式就是网络资源的连接,并加入作者的观点与评论,读者也可参与讨论。 当然也有以上述基本类型混合而成的网络日志,...
编码风格是很个人化的东西,而且我也不愿意把我的观点强加给任何人,不过这里所讲述的是我必须要维护的代码所遵守的风格,并且我也希望绝大多数其他代码也能遵守这个风格。所以请至少考虑一下本文所述的观点。 首先...
你要大胆地指出对方题目很模糊和你的观点,不要把面试官想得有多高,其实他和你就是差不多的,你想想,如果他把你招进去了,你们以后就是同事了,可不是差不多的吗? 关于就业薪水,如果你是应届生,那不能要高工资...
该小程序整合了文章发布、阅读、评论互动、个人书架、推荐系统等功能,为用户提供了一个便捷、丰富的阅读体验,满足了用户对多样化阅读需求的追求。 以下是该微信阅读小程序的主要功能和特点: 文章发布与阅读: ...
用户个人中心: 用户可以在小程序中建立个人资料,查看自己的评论、收藏记录,管理个人信息。 数据统计与分析: 小程序可以对用户的浏览行为和交互数据进行统计分析,了解用户的兴趣偏好和行为习惯,为电影推荐和...
用户可以在阅读内容时进行评论和反馈,分享自己的观点和感受,与其他用户进行交流和讨论。 后台管理系统可以对评论进行管理,包括审核、删除、回复等操作,保持内容的质量和秩序。 通过以上功能的设计与实现,基于...
个人简历在线生成 推荐阅读: 后续规划 接入markdown编辑(正在设计JSON与MD的友好互转方案) 网上优秀模板样式导入 ....更多欢迎推荐自己喜欢的模板 如何食用本仓库 clone仓库代码 git clone ...
我们进行了一项实地实验,以量化数据的经济回报和与在线新闻背景下与人工策划相关的算法推荐相关的信息外部性。 我们的结果表明,个性... 此外,与较低水平的数字素养和更极端的政治观点相关的用户更多地参与算法推荐。
推荐系统:基于用户的浏览和购买历史,系统可以智能推荐相关图书,提高用户体验和购买满意度。 管理员后台:管理员可以登录后台管理系统,对图书信息、用户订单、评论等进行管理和维护,包括添加新图书、修改价格、...
电影搜索与推荐: 平台提供了电影搜索功能,用户可以根据电影名称、类型、演员等关键词进行搜索,也可以根据个人兴趣和历史浏览记录获取个性化的电影推荐。 用户互动与社交: 用户之间可以进行关注、私信、点赞等...
评论与评分功能:系统允许用户对漫画作品进行评论和评分,用户可以分享观点、交流和参与社区讨论。 用户反馈与举报功能:系统提供用户反馈和举报功能,用户可以向管理员报告问题或不当内容,维护平台的良好环境。 ...
我个人的观点来看,对电动车来说,关于电池组的热管理最为靠谱的方法是类似于以下的方法。从可靠性的...
报告综述: 创新周期、政策周期、资本周期三大周期共振,迎接硬核资产黄金年代。 创 新周期,5G 带来的信息大产业重塑;...风险提示:本文所提到的观点仅代表个人的意见,所涉及标的不作推荐,据此买卖,风险自负。
精华帖和热门帖子推荐:系统会根据帖子的热度、质量等因素,推荐精华帖和热门帖子给用户,提供优质内容的浏览和参与机会。 搜索和标签管理:系统提供关键词搜索和标签管理功能,方便用户查找感兴趣的帖子和主题。 ...