随着环境和技术的发展，现在，企业对推荐策略产品经理需求逐渐涌现。那么，如何理解推荐策略，以及推荐策略产品经理画像？一起来看看本文的分享。一、推荐策略前文有提到，推荐策略是目前AI应用最广泛的场景之一，也是目前市场需求最大的产品经理方向。那么，为什么会出现如此大的策略产

大模型在一定程度上去改变了我们生活生工作的思考的方式，然后也越来越多的个人还有企业在思考如何将大模型去应用到更加实际的呃生产生活中去，希望大语言模型能够呃有一些更多企业级别生产落地的实践，然后去帮助我们解决一些业务上的问题。目前1LLM的问题1.1幻觉LLM因为是一个预

在移动互联网高速发展的今天，随着市场竞争的日益激烈，一些互联网公司的获客成本呈现出逐年上升的趋势，这意味着企业需要投入更多的资源来争夺有限的用户。保守估计：工具类获客成本在1-5元；文娱类获客成本在5-50元；电商类获客成本在50-200元；金融类获客成本在100-500元。举个例子

数据算法基础1.准确率与置信区间当评估一个算法的性能时，通常首先考虑准确率（Accuracy），这是一个衡量模型整体预测准确性的指标。（1）准确率（Accuracy）表示正确预测的比例，公式：准确率=预测正确的样本数量/预测总的样本数量准确率并不能总能有效地反映模型的性能，尤其在类别不平衡的数

1.常用的损失函数一般使用inbatchsoftmax，主要优点是方便，确实是容易遭造成对热门item的打压，可以做纠偏，参考youtube论文《Sampling-Bias-CorrectedNeuralModelingforLargeCorpusItemRecommendations》 2.计算useremb和itememb时的相似度时应该用什么方法，为什么需

在我前面的系列博文中，对于目标检测系列的任务写了很多超详细的教程，目的是能够读完文章即可实现自己完整地去开发构建自己的目标检测系统，感兴趣的话可以自行移步阅读：《基于官方YOLOv4-u5【yolov5风格实现】开发构建目标检测模型超详细实战教程【以自建缺陷检测数据集为例】》

Google推出了实验性的NotebookLM产品，一款基于RAG的个性化AI助手产品，基于用户提供的可信信息，通过RAG，帮助用户洞察和学习参考内容，然后借助AI整理笔记，转换为用户最终需要的大纲、博客、商业计划书等最终目的。在之前的博客中，当时提到："AI搜索产品的边界绝不止步于搜索，往上往下，往上如

在机器学习和深度学习中，将分类任务的预测结果分为以下四种，被称作混淆矩阵：TruePositive(TP)：预测出的为正例，标签值也为正例，预测正确FalseNegative(FN)：预测出的为负例，标签值为正例，预测错误FalsePositive(FP)：预测出的为正例，标签值为负例，预测错误TrueNegative(TN)：预测出的为负

推荐系统简介计算原理我们把每个用户/视频表示成空间中的一个点。如果两个点越接近，就认为这个用户对这个视频的喜欢程度越高，反之越低。用户点赞这个视频就拉近两点，没点赞就拉远两点的距离。这样就组成了整体推荐系统 推荐系统流程 从海量视频中召回用户感兴趣的视频

准确率和召回率的评估方法：准确率和召回率是分类任务中常用的评估指标，它们从不同的角度衡量了分类模型的性能。以下是准确率和召回率的评估方法：定义混淆矩阵：混淆矩阵（ConfusionMatrix）是一个表格，用于展示分类模型的预测结果与实际结果之间的关系。它的行通常代表实际类别，列代表预

DASO:Distribution-AwareSemantics-OrientedPseudo-labelforImbalancedSemi-SupervisedLearningmotivation半监督学习存在的，1）类不平衡；2）标记数据和未标记数据上之间的类分布不匹配导致的严重偏差的伪标签创新点本文提出了一个通用的伪标签框架，在观察到两种类型的伪标签（

嵌入式深度学习-优化的层次级联处理本系列博客主要以BertMoons《EmbeddedDeepLearning》翻译而成GoetschalckxK,MoonsB,LauwereinsS,AndraudM,VerhelstM(2018)Optimizedhierarchicalcascadedprocessing.IEEEJEmergingSelTopCircuitsSyst.https://doi.o

原文：hazyresearch.stanford.edu/blog/2024-03-03-based全体团队：Simran，Sabri，Michael*，Aman，Silas，Dylan，James，Atri，ChrisArxiv：arxiv.org/abs/2402.18668代码：github.com/HazyResearch/based在ICLR论文（以及博客文章）中，我们在去年年底分享了一个发现，许多高效的架构（例如Mamba，RWKV，Hyena

召回率(Recall)也被称为真正率（TruePositiveRate），是指在所有正类中，模型正确识别出的正类所占的比例。召回率越高，意味着模型遗漏的正类越少。\(Recall=\frac{真正例(TP)}{真正例(TP)+假负例(FN)}\)例子：假设在一个大型购物中心内，有一个监控系统负责行人重识别任务，目的是为了

1.首页推荐非内积召回现状非内积召回源是目前首页推荐最重要的召回源之一。同时非内积相比于向量化召回最终仅将user和item匹配程度表征为embeding内积，非内积召回仅保留itemembedding，不构造user显式表征，而是通过一个打分网络计算用户-商品匹配程度，极大的提升了模型精准度的上限，

背景这是阿里2019年发表的一篇用于召回阶段的序列建模论文，这篇论文主要解决了两个问题：1.用户可能有多个兴趣（这篇论文的多个兴趣是指用户是否购买一个商品可能会受颜色、品牌、店铺等多个因素影响），如何建模多个兴趣2.用户的兴趣可以分为短期兴趣（当前session），长期兴趣，如何同时建

//二分查找deffetchBinarySearch(trainItems:Array[(String,Double)],target:Double):String={//valtrainItems=Array(("1",0),("2",1),("3",3),("4",4),("5",6))//valtarget=6.00000000

转自：https://ost.51cto.com/posts/11557回顾自己过去的5年，从一名后端开发工程师，自我摸索、学习、探究，成为一名搜索开发工程师。复盘总结自己经历过的搜索的三个阶段，可简要概括为：（1）关键词搜索、（2）相关性搜索、（3）探索式搜索。具体如下图：  • 关键词搜索：主要借助关系型数据库如My

chatFilechatFile相关问题。这里有一篇综述论文，讲的很清楚！推荐研读https://simg.baai.ac.cn/paperfile/25a43194-c74c-4cd3-b60f-0a1f27f8b8af.pdf简单处理流程用户输入问题 ——> 把问题做BM25召回+把问题embedding然后做语义召回 ——> 召回结果筛选，大于某个阈值，则用于构建p

几个月前我们就聊过RAG的经典方案解密Prompt系列14.LLMAgent之搜索应用设计。前几天刚看完openAI在DevDay闭门会议上介绍的RAG相关的经验，有些新的感悟，借此机会再梳理下RAG相关的优化方案。推荐直接看原视频（外网）ASurveyofTechniquesforMaximizingLLMPerformanceRAG最关键

 *其中，TP：样本为正，预测结果为正；FP：样本为负，预测结果为正；TN：样本为负，预测结果为负；FN：样本为正，预测结果为负。准确率、精准率和召回率的计算公式如下：准确率（accuracy）：(TP+TN)/(TP+FP+TN+FN)精准率（precision）：TP/(TP+FP)，正确预测为正占全部预测为正的比例召回率（recall）：TP

准确率，精准率，召回率分类问题中的混淆矩阵如下TP：预测为1，预测正确，即实际1FP：预测为1，预测错误，即实际0FN：预测为0，预测错确，即实际1TN：预测为0，预测正确即，实际0准确率accuracy准确率accuracy准确率的定义是预测正确的结果占总样本的百分比，其公式如下：准确率=(TP+TN)/(TP+TN+FP+

向量召回：深入评估离线体系，探索优质召回方法1.简介近年来，基于向量进行召回的做法在搜索和推荐领域都得到了比较广泛的应用，并且在学术界发表的论文中，基于向量的denseretrieve的方法也在不少数据集上都战胜了sparseretrieve，吸引了越来越多的关注。在内网的不少文章中也都介绍了

向量召回：深入评估离线体系，探索优质召回方法1.简介近年来，基于向量进行召回的做法在搜索和推荐领域都得到了比较广泛的应用，并且在学术界发表的论文中，基于向量的denseretrieve的方法也在不少数据集上都战胜了sparseretrieve，吸引了越来越多的关注。在内网的不少文章中也都介绍

UL1278测试报告介绍UL1278是针对电气安全方面的测试报告标准，主要用于评估各种电器的安全性能，以确保它们在使用过程中不会对人身安全造成威胁。桌面暖风机作为一款加热设备，需要满足UL1278标准才能进入美国市场。每年的十月份开始国外气温转寒，电加热器销量也随即剧增。电加热器外贸市