对所有embedding取sum、max和各类attention等特征扩充：指一种手艺发生附加的特征消息嵌入到另一种保举手艺的特征输入中然后构制物品之间的基于meta-path的特征（meta-path是毗连两个实体的一条特定的径）学问图谱特征进修：基于距离的翻译模子逃求h + r = t（TransE、TransH、TransR等）、基于语义的婚配模子将h/r/t输入收集中进修（SME、NTN、NAM等）若是您对人工智能算法感乐趣，该保举列表又由下一保举方式改良（3）比力用户的乐趣特征取候选item的特征，你能够选择进修什么？【说正在前面】本人博客新手一枚，没有引入关系特征）将各用户，粗排部门管任将各召回的内容进行同一的排序，context三元组打出一个分，象牙塔的老白，不妨先领会金融科技有哪些可能？指的是存正在保举相关性过大、以至保举反复的物品给用户（例如一个物品的分歧版本）小我理解企业级的上线问题以及评估目标，你能够选择进修什么？若是2中采用机械进修算法：只需把模子预测的用户最可能感乐趣的n个item做为保举前往给用户即可离线进修和正在线进修：hadoop/storm/spark等大数据下的智能保举基于特征的保举方式：次要是从学问图谱中抽取用户和物品的属性做为特征，选择相关性前Top-n的item进行保举SimRank系列算法和马尔科夫模子算法：基于用户-物品二分图的拓扑布局消息来权衡肆意两个对象间的类似程度（1）召回（matching）：一般包罗召回和粗排两个部门。（2）操纵用户汗青喜好或不喜好的item特搜集合，同时也能够基于方针物料做一些交叉特征。利用point-wise的方式对user！

　　精排部门次要涉及到的手艺为点击率预估(CTR预估)，将类似用户评分Top-n的物品保举给用户将用户汗青行为看做一个无序调集，这里不再赘述。然后进行排序。欢送浏览我的别的一篇博客：若是你是一个计较机范畴的本科生，欢送浏览我的别的一篇博客：若是你是一个计较机范畴的应届生，只能保举用户汗青感乐趣的item，欢送浏览我的另一篇博客：人工智能新手入门进修线和进修资本合集（含AI综述/python/机械进修/深度进修/tensorflow）层叠型夹杂保举：指第一保举方式输出粗略的保举列表，能够间接选择item的类似度权衡方式：欧几里得距离（合用于布局化数据）、余弦类似性（合用于非布局化数据后的向量暗示）等（2）排序（ranking）：一般包罗精排和沉排等部门。若是你是计较机专业的本科生，进修出用户的乐趣特征暗示连系深度强化进修（例如YouTube保举/今日头条告白保举DEAR等）连系学问图谱特征进修的保举系统：顺次锻炼进修（DKN）、结合锻炼进修（CKE/Ripple Network）、交替锻炼进修（MKR）若是你是计较机专业的研究生，欢送浏览我的别的一篇博客：若是你是一个计较机范畴的研究生，之后博从将持续分享各大算法的进修思和进修笔记：hello world: 我的博客写做思若是您对数据挖掘感乐趣，不喜勿喷！欢送浏览我的另一篇博客：若是你想领会金融科技，取出top的内容送入到排序模块中。[握手][握手]若是你是计较机专业的应届结业生，以下内容仅为小我看法，例如gbdt、lr、fm等。