 | EdmondGUOV2EX 第 473605 号会员，加入于 2020-03-02 14:36:57 +08:00今日活跃度排名 4682 |
EdmondGUO 最近回复了
2 天前 回复了 abcbuzhiming 创建的主题 Windows 目前高分屏下 windows 有最佳缩放解决方案吗？ |
27 4k 32 4k 都用过，一直 200%，没遇到什么排版问题。
5 天前 回复了 enihcam 创建的主题 Android 很多人说安卓不好用，然后拿出的例子根本不是原生安卓。 |
什么年代了还在这原生安卓，典型的安卓思维
11 天前 回复了 vhellov 创建的主题 生活 马上要结婚了，突然发现能邀请的朋友屈指可数 |
在老家结婚的，我和老婆的朋友只凑了一桌，剩下十来桌都是亲戚和父母的朋友 
13 天前 回复了 fanxasy 创建的主题 哔哩哔哩 吐槽一个 B 站科技区 UP 主：科技宅小明 |
不反对商单，全职 up 也是要吃饭的，但是讨厌无法区分的商单。比较喜欢的比如隋坡这种本身是美食探店，接神奇小鹿或者妙界的商单。或者商单有明确暗号的。
13 天前 回复了 minchieh 创建的主题 程序员 Python 真的和 c 一样么 |
@emSaVya 哥们的用户都是电竞小子吗 20ms 就受不了了
14 天前 回复了 EasonIndie 创建的主题 生活 我打算做月饼了 |
@marquina 妹说就是零卡
18 天前 回复了 breadykidliu 创建的主题 问与答 关于退休后有一个大胆的猜测 |
@breadykidliu 工作十年还有热情，你做什么都会成功的
18 天前 回复了 itoshinji 创建的主题 NAS 预算 3000 左右的 NAS 选择 |
对空间没要求推荐自组，带核显的 i3 就够了。系统可以 pve ，可以 Ubuntu ，可以飞牛
19 天前 回复了 shendaowu 创建的主题 互联网 有没有懂行的大佬能谈谈做推荐系统的大公司是否真的很“邪恶”？所谓邪恶就是为了自己的利益牺牲用户的体验和利益。 |
@huc2 是的，oneRec 生成的确实是一个序列。其实在他之前，也有人做把系统推出的几个用一个小模型重新排列组合，也是一种 listwise 的想法。不过效果没有好到在业界推广开的程度。
20 天前 回复了 shendaowu 创建的主题 互联网 有没有懂行的大佬能谈谈做推荐系统的大公司是否真的很“邪恶”？所谓邪恶就是为了自己的利益牺牲用户的体验和利益。 |
是否牺牲用户体验取决于模型的目标是什么。现在业界大部分模型本质上还是 pointwise 的，对短视频/电商推荐来说，推荐的是当下你能产生最大目标的视频/品，一般是时长/点击转换率 or gmv 。
「为了增加用户的使用时间对真正的好东西藏着掖着，不一次给用户，而是细水长流。」这是短视频推荐的最终目的，就是最大化用户总时长，如果能做到全局最优，也就是你说的细水长流那是最好的。但事实上像我之前说的业界大部分模型都是预估的单个视频的时长最大化。但是这个我不认为是损害了用户的利益，单个视频看的时长长未必是你说的「真正的好东西」，这个本来就是极难定义的一个事情。
「为了增加用户的消费推荐更贵的商品，而不是有同样功能却更便宜的。」给你推贵的你未必下单买，最终打分未必比便宜的但是点击转换率高的好。
你说的那些内容农场呀骗点击骗点赞的视频呀，一般都是由运营或者 ai 来标注，然后通过策略进行过滤或者降权操作，不让他们出或者少出。
「通过简单的打分进行推荐效果并不好，而效果更好的通过列表排序进行推荐的复杂度是 O(n!)」这个就是上面说的单个最优还是全局最优，pointwise 还是 listwise 。其实很难做 listwise 。模型比较难训，时延上也不允许，我了解业界应该没有直接以序列质量为目标来优化的，一般都是在最后用策略或者另一个小的模型来优化一下。策略举个例子，打散就是一种优化手段，纯粹按模型分排序，可能某一个你特别喜欢的作者会连着出，这时候打散会防止他连着出，这样长期来说不会让用户感到厌倦。
「为了增加用户的使用时间对真正的好东西藏着掖着，不一次给用户，而是细水长流。」这是短视频推荐的最终目的，就是最大化用户总时长，如果能做到全局最优，也就是你说的细水长流那是最好的。但事实上像我之前说的业界大部分模型都是预估的单个视频的时长最大化。但是这个我不认为是损害了用户的利益，单个视频看的时长长未必是你说的「真正的好东西」，这个本来就是极难定义的一个事情。
「为了增加用户的消费推荐更贵的商品，而不是有同样功能却更便宜的。」给你推贵的你未必下单买，最终打分未必比便宜的但是点击转换率高的好。
你说的那些内容农场呀骗点击骗点赞的视频呀，一般都是由运营或者 ai 来标注，然后通过策略进行过滤或者降权操作，不让他们出或者少出。
「通过简单的打分进行推荐效果并不好，而效果更好的通过列表排序进行推荐的复杂度是 O(n!)」这个就是上面说的单个最优还是全局最优，pointwise 还是 listwise 。其实很难做 listwise 。模型比较难训，时延上也不允许，我了解业界应该没有直接以序列质量为目标来优化的，一般都是在最后用策略或者另一个小的模型来优化一下。策略举个例子，打散就是一种优化手段，纯粹按模型分排序，可能某一个你特别喜欢的作者会连着出，这时候打散会防止他连着出，这样长期来说不会让用户感到厌倦。
Select Language