摘要：
1 什么是粗排 粗排英文叫pre-ranking，即在排序之前的部分，主要是通过召回获取了足够多的候选物料集，这时候虽然可以一股脑的全堆给后面的排序，但是假如候选集过大，排序模型过于复杂，那么排序阶段会耗时过长；这时候可以增加一个粗排，用来做进一步的筛选，将数据量进一步降下去。 粗排的进展还是较慢的 阅读全文
摘要：
1 引言 在很多公司中是spark处理大量数据，然后塞入redis（如一堆特征数据），但是下游可能存在需要python读取该redis然后获取其中的数据（利用tf进行建模），但是jedis中的客户端分片机制在其他python的客户端sdk中都好像未复现， 2 python客户端调研 如python连 阅读全文
摘要：
1 引言 DSSM，业内也叫做双塔模型,2013年微软发出来是为了解决NLP领域中计算语义相似度任务，即如何让搜索引擎在大规模web文件中基于query给出最相似的docment。因为语义匹配本身是一种排序问题，和推荐场景不谋而合，所以 DSSM 模型被自然的引入到推荐领域中。因为效果不错并且对工业 阅读全文
摘要：
引言 youtube作为全球最大的视频内容网站，无时无刻都上传成百上千的事情，目前应该也有千亿个视频了，2016年，youtube决定接着用DL做点事情，之前都是基于MF，或者协同过滤做事情。2016年的时候，全球还很少将DL应用在推荐领域，youtubeDNN也是十分经典的召回和排序模型. 上图就 阅读全文
摘要：
引言 其实最开始推荐系统根本就没召回，直接基于物料池进行排序就行，但是如果物料池变得超大，为了技术和业务发展，每个样本的特征越来越复杂，如果直接精排是没法工程的，所以增加召回，即用更简单的模型更少的特征或者直接规则对候选集快速筛选，减少排序阶段的耗时；同时召回的加入也能让业务更加丰富，如想对这个人增 阅读全文
摘要：
引言 推荐系统中的推荐是建立在海量数据挖掘基础上的，主要是给用户提供个性化的信息服务和决策支持，其主要作用是： 降低信息过载 发掘长尾 提高转化率 按照现在说法，推荐系统其实就是人，货，场中的场。主要就是将不同的信息推荐给不同的人，分为： 个性化,千人千面，精准到个人一面 非个性化，如热门推荐，编辑 阅读全文
摘要：
引言 din是阿里妈妈17年的论文，其中在之前embedding&mlp基础上增加了attention，主要思想是：embedding&mlp结构中，并未考虑到用户历史商品的针对性，举个例子： 用户a历史商品中主要都是衣服； 用户b历史商品中主要都是电子书 可以得出，用户a，如果给他呈现的推荐商品是 阅读全文
摘要：
隐私集合求交，PSI，即private set intersection， 看到一篇讲解psi很细致的文章，想着搭配流程图会更容易理解 0 引言 隐私集合求交，就是在双方不泄露任何额外信息基础上，得到双方的数据交集。也就是双方PSI之后，只知道哪些数据对方也有，除此之外一无所知。对于PSI，我们可以 阅读全文
摘要：
[TOC] ## 0 引言  transformer这个框架现在可谓是遍地开花，继最开始的AE，CNN，RNN，到现在 阅读全文
摘要：
0 背景 隐私计算分为: 联邦学习 多方安全计算 可信执行技术 联邦学习主要在于解决不同数据孤岛之间的信息共享问题，在数据不出本地的基础上，完成更上层的信息共享。联邦学习中的横向联邦学习，其形式有点类似分布式机器学习，但是本质不是同一个东西。 但是联邦学习领域存在一个定义不同的现象，就是： 老外，比 阅读全文