开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

推荐系统内部相关性

推荐系统内部相关性是指在推荐系统中，根据用户的历史行为和特征，对用户进行个性化推荐的过程。在这个过程中，系统需要考虑不同的因素，以确保推荐的内容与用户的兴趣和需求相关。

推荐系统内部相关性的优势在于可以提高用户的满意度和忠诚度，增加用户的粘性和购买意愿。同时，也可以提高企业的销售额和利润。

推荐系统内部相关性的应用场景包括电商网站、音乐和视频平台、社交媒体、新闻和媒体平台等。

推荐系统内部相关性的腾讯云相关产品包括云服务器、云数据库、云存储、人工智能和机器学习、大数据和数据分析、安全和防护等。腾讯云提供了一系列的产品和服务，可以帮助企业构建和部署推荐系统，并提供相关的技术支持和服务。

推荐系统内部相关性的产品介绍链接地址：https://cloud.tencent.com/product/cvm

https://cloud.tencent.com/product/mysql

https://cloud.tencent.com/product/cos

https://cloud.tencent.com/product/ai

https://cloud.tencent.com/product/bigdata

https://cloud.tencent.com/product/ssl

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

不到40行 Python 代码！打造一个简单的推荐系统

维基百科这样解释道：推荐系统属于资讯过滤的一种应用。推荐系统能够将可能受喜好的资讯或实物（例如：电影、电视节目、音乐、书籍、新闻、图片、网页）推荐给使用者。源码看文末！

04

超详细丨完整的推荐系统架构设计

推荐系统是移动互联网时代非常成功的人工智能技术落地场景之一。本文我们将从架构设计的角度回顾和讨论推荐系统的一些核心算法模块，重点从离线层、近线层和在线层三个架构层面讨论这些算法。本文不会讲解一些具体推荐模块的架构设计，但无论什么推荐模块，其逻辑经过拆解后都可以映射到本文的架构体系中，做到触类旁通，举一反三。 ----- 本文选自《从零开始构建企业级推荐系统》一书，在庞杂的领域知识网格中点亮关键节点，为你的商业化落地开辟泛化通道。 ▼ 扫码获取本书详情 ▼ ---- 1　架构设计概述架构设计是

01

超详细丨完整的【推荐系统】架构设计

本文我们将从架构设计的角度回顾和讨论推荐系统的一些核心算法模块，重点从离线层、近线层和在线层三个架构层面讨论这些算法。

02

推荐系统遇上深度学习(十六)--详解推荐系统中的常用评测指标

最近阅读论文的过程中，发现推荐系统中的评价指标真的是五花八门，今天我们就来系统的总结一下，这些指标有的适用于二分类问题，有的适用于对推荐列表topk的评价。

02

最新综述 | 基于因果推断的推荐系统

目前，推荐系统在信息过滤中起着至关重要的作用。现有主流的推荐系统主要是通过学习数据中的相关性进而提取用户的行为偏好，例如协同过滤中的行为相关性，点击率预测中的特征-特征或特征-行为相关性。然而，遗憾的是，现实世界是由因果关系而不是相关关系驱动的，相关关系并不意味着因果关系。例如，推荐系统可以在用户购买手机后向其推荐电池充电器，其中后者可以作为前者的原因，而这种因果关系是无法反过来的。最近，为了解决这个问题呢，推荐系统的研究人员开始利用因果推理来提取因果关系，进而增强推荐系统的性能。

01

SIGIR'22 推荐系统论文之多样性篇

WWW 2022已公布录用论文，接收323篇/投稿1822篇，录用率为17.7%，完整录用论文列表见https://www2022.thewebconf.org/accepted-papers/

01

基于行列式点过程的推荐多样性提升算法

推荐系统的目标主要包含两个方面：Exploitation 和 Exploration 。

03

2023最新综述 | 推荐中的因果推理: 基础、方法与应用

推荐系统是提供各种个性化服务的重要而强大的工具。传统上，这些系统使用数据挖掘和机器学习技术，根据数据中的相关性进行推荐。然而，仅依赖相关性而不考虑潜在的因果机制可能会导致公平性、可解释性、鲁棒性、偏差、回声室和可控性等诸多实际问题。因此，相关领域的研究人员已经开始将因果关系融入推荐系统来解决这些问题。本文回顾了推荐系统中因果推理的现有文献。讨论了推荐系统和因果推理的基本概念及其相互关系，综述了针对推荐系统中不同问题的因果方法的现有工作。最后，讨论了推荐因果推理领域存在的问题和未来的发展方向。

02

论文阅读——Wide & Deep Learning

这篇文章是阅读《Wide & Deep Learning for Recommender Systems》后的总结，该文章中提出结合Wide模型和Deep模型的组合方法，对于提升推荐系统（Recommendation System）的性能有很重要的作用。 1、背景本文提出Wide & Deep模型，旨在使得训练得到的模型能够同时获得记忆（memorization）和泛化（generalization）能力：记忆（memorization）即从历史数据中发现item或者特征之间的相关性。泛化（ge

05

序列化推荐系统的挑战,进展和展望!

Sequential Recommender Systems: Challenges, Progress and Prospects(IJCAI2019)

01

序列化推荐系统的挑战,进展和展望!

Sequential Recommender Systems: Challenges, Progress and Prospects(IJCAI2019)

02

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。

03

可能是推荐系统最详细且简单的入门教程

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。

03

窥探推荐系统1 信息发现2 推荐系统3 分类4 深入推荐机制5 应用6 总结

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。

03

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。

05

如何利用机器学习分类模型，构建商业关键词推荐系统

以下内容均基于百度关键词推荐系统进行讨论本文内容主要集中在使用机器学习方法判断两个短文本的相关性为基础构建商业关键词推荐系统。为方便读者理解，会先介绍该技术的具体应用背景及场景。广告主在百度或google上进行广告投放时，需要选择关键词，以向搜索引擎表述自己想要覆盖的有商业价值的网民搜索流量。在选择关键词后，还需要设定具体的关键词匹配模式，以告诉搜索引擎选择的关键词以何种方式去匹配网民的搜索。举个例子：网民在百度上搜索 ‘鲜花快送’，假设商家A是卖花的，搞鲜花速递业务的，则

06

推荐广告算法模型之多目标模型

MMoE 的结构优化为每个任务都单独使用一个门控网络。这样的改进可以针对不同任务得到不同的 Experts 权重，从而实现对 Experts 的选择性利用，不同任务对应的门控网络可以学习到不同的 Experts 组合模式，因此模型更容易捕捉到子任务间的相关性和差异性。

04

DNN可以进行高阶特征交互，为什么Wide&Deep和DeepFM等模型仍然需要显式构造Wide部分？

链接：https://www.zhihu.com/question/364517083

01

推荐系统遇上深度学习(十六)--详解推荐系统中的常用评测指标

最近阅读论文的过程中，发现推荐系统中的评价指标真的是五花八门，今天我们就来系统的总结一下，这些指标有的适用于二分类问题，有的适用于对推荐列表topk的评价。

00

机器学习基础：相似度和距离度量究竟是什么

在推荐系统中，我们经常谈到「相似度度量」这一概念。为什么？因为在推荐系统中，基于内容的过滤算法和协同过滤算法都使用了某种特定的相似度度量来确定两个用户或商品的向量之间的相等程度。所以总的来说，相似度度量不仅仅是向量之间的距离。

02

干货：从相关性到RNN，一家线上“租碟店”的视频推荐算法演进 | 公开课实录

本周三，大数据文摘邀请到Hulu（美国第二大视频网站）推荐算法研发负责人周涵宁，来分享了基于深度学习的下一代视频推荐系统（戳蓝字了解）。周老师分享了大量干货，大数据文摘特整理公开课实录如下（在不改变原

02

推荐系统介绍

我们许多人将推荐系统视为似乎知道我们思想的神秘实体。试想一下Netflix的建议电影的推荐引擎，或者是建议我们应该购买什么产品的亚马逊。自他们成立以来，这些工具经过改进和完善来不断提升用户体验。虽然其中很多是非常复杂的系统，但其背后的基本思想仍然非常简单。

07

重读经典 | 亚马逊“一键下单”的背后——个性化推荐系统的发展历程

一般都认为，亚马逊的成功要归功于它鼎鼎大名的“一键下单”功能，但“一键下单”的背后，还需要一个成单量极高的智能推荐系统，来驱动消费者不停地在亚马逊上“买!买!买!”。这就是用户点击分析、机器学习和个性化推荐的综合力量。本文的目的，正是回顾亚马逊这个以成单率著称的个性化推荐系统的发展历程。本文作者是2003年那篇“久经考验”的亚马逊推荐系统论文的作者，他们在这里分享的是这篇经典论文发布后的新发现与新见解。如果你想阅读这篇经典论文，请在公众号会话回复“亚马逊”，即可获得完整论文。作者 | Brent

06

推荐系统评价：NDCG方法概述

【编者按】在信息过剩的互联网时代，推荐系统的地位随着大数据的普及愈发重要。评估一个推荐模型的质量面临很多棘手的问题，我们常用的指标是直接的准确率、召回率，但准确率不一定具有很好的相关性。来自Zygmunt Z的这篇综述文章，把推荐当作是一个排名任务，提供了一种更注重相关性的视角来进行推荐系统的评估，颇具可读性。如果你挖掘的信息较少，推荐的方法有很多。问题是，选择哪一个模型更合适。在这里，主要的决策因子是推荐质量。你可以通过验证来估计它，而推荐系统的验证可能会很棘手。你需要考虑一些东西，包括任务的制定，可用

08

MLP4Rec：小小的MLP也有大能量

自注意力模型通过捕获用户-商品交互之间的序列依赖关系，在序列推荐系统中实现了最佳性能。但是，它们依赖于位置embedding来保留顺序关系，这可能会破坏商品embedding的语义。大多数现有工作都假设这种顺序依赖性仅存在于商品embedding中，而忽略了它们在商品特征中的存在。本文基于 MLP 的架构的最新进展提出了一种新颖的序列推荐系统 (MLP4Rec)，该方法对序列中商品的顺序敏感，设计一种三向融合方案，连贯地捕获顺序、跨通道和跨特征相关性。

05

CIKM 2023｜TASTE：通过文本匹配缓解序列化推荐中流行偏差问题

序列化推荐系统旨在根据用户的浏览历史动态地为用户推荐下一个商品，这在Yelp、TikTok、Amazon等众多Web应用程序中发挥着至关重要的作用。这些推荐系统通过使用不同的神经网络架构来学习用户-商品交互中商品之间的依赖关系，从而对用户行为进行建模。这些模型通常使用商品ID来表示商品，通过随机初始化向量来表示不同的商品，并使用来自用户-商品交互的信号来优化这些商品的向量化表示。

03

微信看一看实时相关推荐介绍

作者：谢若冰，腾讯微信研究员在推荐系统中，用户在一个时间段经常会关注同一个主题。当用户读完一篇文章时，他往往会想要继续阅读和这篇文章相关的拓展文章。然而，传统的推荐系统feed流难以提供这种深度的拓展阅读（相关阅读）功能。这是由于考虑到推荐系统多样性和兴趣试探的要求，主推荐流中的文章往往是经过多种推荐/召回逻辑组成的，代表了用户的不同（潜在）兴趣，很少会出现同一个主题的文章连续出现的情况。在这类工作中，我们提出了一种新的任务——相关推荐（relevant recommendation sugge

03

详解个性化推荐五大最常用算法

允中若朴编译自 Stats&Bots 量子位出品 | 公众号 QbitAI 推荐系统，是当今互联网背后的无名英雄。我们在某宝首页看见的商品，某条上读到的新闻，甚至在各种地方看见的广告，都有赖于

05

NLP技术在搜索推荐场景中的应用

NLP技术在搜索推荐中的应用非常广泛，例如在搜索广告的CTR预估模型中，NLP技术可以从语义角度提取一些对CTR预测有效的信息；在搜索场景中，也经常需要使用NLP技术确定展现的物料与搜索query的相关性，过滤掉相关性较差的物料，防止对用户体验造成负面影响。在推荐场景中，文本信息也可以作为一种泛化性较强的信息补充，弥补协同过滤信号的稀疏性问题，提升预测效果。

02

万物皆可Graph | 当推荐系统遇上图神经网络（四）

本篇文章继续整理这个系列Graph in Rec 的文章，以前博主整理过的系列可以见：

03

马斯克开源Twitter推荐算法，GitHub秒破万星，还承诺每24-48小时进化一次

金磊发自凹非寺量子位 | 公众号 QbitAI 马斯克的“开源承诺”，终于如约而至。就在刚刚，马斯克正式宣布：大部分（Twitter的）推荐算法将在今天开源，剩下的也会跟进。而且马斯克紧接着亮出了GitHub上Twitter推荐算法源代码的地址。仅仅数小时，便揽获上万个Star：除此之外，马斯克还表示：推特将每24到48小时更新一次基于用户建议的推荐算法。至此，这个号称每天从5亿条推文做推荐的大算法的庐山真面目，终于得以露出。 Twitter的推荐算法长什么样？据介绍，Twitt

03

推荐系统[八]算法实践总结V0：腾讯音乐全民K歌推荐系统架构及粗排设计

② 除了内容推荐外，我们也会负责一些其他类型的推荐，包括直播推荐、点歌推荐、歌房推荐和点评推荐，都是在K歌生态下独有的推荐。

03

Youtube 短视频推荐系统变迁：从机器学习到深度学习

本人最近系统的看了youtube推荐相关的论文，觉得非常有收获，所以整理小文以飨读者；“它山之石可以攻玉” ，希望可以给大家带来帮助和启发。作者 | 赖博先 Youtube是全球最大的视频分享平台，用户量高达10亿+，每天上传的UGC和PGC都是百万级别。那么问题就来了，他们是如何让用户在这么多的视频中快速的发现自己感兴趣的内容呢？大家可能会想到搜索，确实搜索是一个必不可少的工具，但有一个前提条件是用户必须知道视频的关键词，通过搜索关键词才能找到对应的视频，并且用户很多时候其实并不是很知道自己需要什么

Youtube 短视频推荐系统变迁：从机器学习到深度学习

本文介绍了YouTube推荐算法从2008年到2016年的变迁，从基本的协同过滤到基于内容的推荐，再到混合推荐，最后到基于深度学习的内容推荐。作者通过对比实验，展示了深度学习模型在推荐效果上的优势。同时，文章也介绍了YouTube在推荐系统方面的技术架构和实现方法。

02

学界 | SIGIR 2018最佳论文：基于流行度推荐系统有效性的概率分析

使用 IR 方法论和指标用于推荐系统的评估在近年来发展迅速，已成为该领域中的常用实践方法，其将理解推荐看成排序任务 [14]。然而 IR 指标已被发现在推荐受欢迎条目（即很多人知道、喜欢、评分或交互的条目 [4,21,35]）的奖励算法中有很强的偏见。同时，当前最佳的推荐算法也被发现在推荐多数人喜欢的条目时存在显而易见的偏见 [21]。人们可能自然地对常用的实验设置和最佳算法真实输出的可靠性提出质疑。

01

Youtube 短视频推荐系统变迁：从机器学习到深度学习

Youtube是全球最大的视频分享平台，用户量高达10亿+，每天上传的UGC和PGC都是百万级别。那么问题就来了，他们是如何让用户在这么多的视频中快速的发现自己感兴趣的内容呢？大家可能会想到搜索，确实搜索是一个必不可少的工具，但有一个前提条件是用户必须知道视频的关键词，通过搜索关键词才能找到对应的视频，并且用户很多时候其实并不是很知道自己需要什么样的内容，逛youtube纯粹为了打发时间。为了很好的解决用户快速发现可能感兴趣的视频这个问题，推荐系统绝对是搜索的一个很好的补充。

02

2021最新基于会话推荐系统长文综述

本文给大家介绍一篇刚被ACM旗舰期刊 ACM Computing Surveys (CSUR) 接收的基于会话推荐系统 (Session-based Recommender Systems (SBRS)) 的综述长文。ACM Computing Surveys 是计算机学科最具影响力的期刊之一，其最新影响因子为7.99，为CORE Rank A* 期刊，主要发表计算机科学领域较有代表性的综述论文。

04

他山之石 | OPPO 基于图神经网络的搜索推荐算法与实践

导读大家好，这里是 NewBeeNLP。今天我们分享图神经网络在推荐系统中的应用，以及在oppo业务场景中的实践。

02

神奇的推荐系统：用得好，销量倍增

以下节选自克里斯·安德森的《长尾理论》一书：「在 1988 年，一位名叫乔·辛普森的英国登山者写了一本书，名为《触摸巅峰》，这本书讲述了他在秘鲁安第斯山脉接近死亡的痛苦经历。这本书得到了很高的评价，但仅仅是一个小成功，很快就被人们遗忘了。十年后，一件奇怪的事发生了。乔恩·克拉考尔写了另一本关于登山悲剧的书《进入空气稀薄地带》，这本书引起了出版界的轰动。突然，《触摸巅峰》又开始热销了。」

01

基于会话推荐系统最新长文综述，163篇参考文献，已被ACM Computing Surveys接收

本文给大家介绍一篇刚被 ACM 旗舰期刊 ACM Computing Surveys (CSUR) 接收的基于会话推荐系统 (Session-based Recommender Systems (SBRS)) 的综述长文。ACM Computing Surveys 是计算机学科最具影响力的期刊之一，其最新影响因子为 7.99，为中科院认定的一区 Top 期刊，CORE Rank A* 期刊，主要发表计算机科学领域较有代表性的综述论文。

03

【技术分享】 Youtube 短视频推荐系统变迁：从机器学习到深度学习

Youtube是全球最大的视频分享平台，用户量高达10亿+，每天上传的UGC和PGC都是百万级别。那么问题就来了，他们是如何让用户在这么多的视频中快速的发现自己感兴趣的内容呢？大家可能会想到搜索，确实搜索是一个必不可少的工具，但有一个前提条件是用户必须知道视频的关键词，通过搜索关键词才能找到对应的视频，并且用户很多时候其实并不是很知道自己需要什么样的内容，逛youtube纯粹为了打发时间。为了很好的解决用户快速发现可能感兴趣的视频这个问题，推荐系统绝对是搜索的一个很好的补充。

简单易学的深度学习算法——Wide & Deep Learning

本文提出Wide & Deep模型，旨在使得训练得到的模型能够同时获得记忆（memorization）和泛化（generalization）能力：

02

自然语言处理技术（NLP）在推荐系统中的应用

个性化推荐是大数据时代不可或缺的技术，在电商、信息分发、计算广告、互联网金融等领域都起着重要的作用。具体来讲，个性化推荐在流量高效利用、信息高效分发、提升用户体验、长尾物品挖掘等方面均起着核心作用。在推荐系统中经常需要处理各种文本类数据，例如商品描述、新闻资讯、用户留言等等。具体来讲，我们需要使用文本数据完成以下任务：候选商品召回。候选商品召回是推荐流程的第一步，用来生成待推荐的物品集合。这部分的核心操作是根据各种不同的推荐算法来获取到对应的物品集合。而文本类数据就是很重要的一类召回算法，具有不依赖用户

推荐系统综述

随着移动互联网的飞速发展，人们已经处于一个信息过载的时代。在这个时代中，信息的生产者很难将信息呈现在对它们感兴趣的信息消费者面前，而对于信息消费者也很难从海量的信息中找到自己感兴趣的信息。

03

论文合集 | 图大模型推荐研究

大型语言模型（LLMs）已经彻底改变了自然语言处理任务，而其与图神经网络（GNN上）之间又会擦出怎样的火花呢？本文汇总了20篇与图大模型相关的论文（主要以推荐系统领域为主），展示最新的工作研究进展。

01

机器学习在热门微博推荐系统的应用

作者 | 侯雷平、苏传捷、朱红垒责编 | 何永灿近年来，机器学习在搜索、广告、推荐等领域取得了非常突出的成果，成为最引人注目的技术热点之一。微博也在机器学习方面做了广泛的探索，其中在推荐领域，将机器学习技术应用于微博最主要的产品之一——热门微博，并取得了显著的效果提升。热门微博推荐系统介绍热门微博业务场景热门微博是基于微博原生内容的个性化兴趣阅读产品。提供最新最热优质内容阅读服务，更好地保障用户阅读效率和质量，同时达到激励微博上内容作者更好的创作和推广内容。热门微博的推荐系统主要面临以下两点挑

02

技术干货 | 细说YouTube推荐系统的变迁

作者简介郝俊禹：达观数据高级工程师，曾获美国大学生数学建模竞赛二等奖，目前参与达观数据推荐系统研发，负责酷6，wifi万能钥匙和视频看看等项目。众所周知，YouTube是世界上最大的视频网站，网站

04

《深度学习推荐系统》-阅读笔记

本文是《深度学习推荐系统》一书的阅读笔记和思维导图，建议大家入手一本王喆老师的新书，看完绝对会收获颇丰！

03

都步入2021年，别总折腾"塔"了

推荐系统领域太卷了，十方表示总是折腾"塔"太累了，所以十方平时也会学习些NLP，CV相关领域的知识去丰富下自己的见识。这里十方希望大家不要把自己要学的东西限定的太死，比如我们是做推荐系统相关研究的，那nlp相关知识我们可以不去学习。事实上，不同领域的模型是可以相互借鉴的，比如textcnn，就是用图像的cnn去做文本分类，推荐的bert4vec，就是用处理文本的bert模型做推荐。总而言之，希望大家在深度学习领域尽可能的博学，在具体推荐系统领域可以做到专家。

01

vivo 应用商店推荐系统探索与实践

商店的应用数据主要来源于运营排期、CPD、游戏、算法等渠道，成立推荐项目之后也没有变化，发生变化的是由推荐系统负责和数据源进行对接，商店服务端只需要和应用推荐系统进行对接即可。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭