Tag: # 推荐系统

美团到店推荐广告团队在图神经网络的长期落地实践中，思考分析了场景的特点与挑战，针对性地进行了模型设计，并通过大规模训练工具及线上部署优化多次成功落地，带来了线上收入提升。本文主要介绍了大规模图召回技术在美团到店广告场景下的实践经验，包括模型设计思路、模型迭代历程、大规模训练工具以及线上部署性能优化等，希望为从事相关工作的读者带来一些启发。 阅读全文

推荐系统是效果导向的数据应用服务，在功能的“有”和“无”之间，有很长的效果“好”和“坏”的光谱。本文以用户请求的粒度建立质量模型，通过数据血缘关联了数据表、算法模型、系统服务和用户请求，并结合美团综合业务的实践进行了拓展泛化，希望能对大家有所帮助或启发。 阅读全文

美团机器学习平台基于内部深度定制的TensorFlow研发了Booster GPU训练架构。该架构在整体设计上充分考虑了算法、架构、新硬件的特性，从数据、计算、通信等多个角度进行了深度的优化，最终其性价比达到CPU任务的2~4倍。本文主要讲述Booster架构的设计实现、性能优化及业务落地工作，希望能对从事相关开发的同学有所帮助或者启发。 阅读全文

美团内部深度定制的TensorFlow版本，基于原生TensorFlow 1.x架构与接口，从大规模稀疏参数的支持、训练模式、分布式通信优化、流水线优化、算子优化融合等多维度进行了深度优化。在推荐系统场景，分布式扩展性提升10倍以上，单位算力性能也有显著提升，并在美团内部业务中大量使用，本文介绍了相关的优化与实践工作。 阅读全文

介绍强化学习在美团推荐排序中的应用，包括三个部分：多模型融合的MDP设计奠定了取得收益的基础；针对强化学习鲁棒性和样本利用效率较低的问题，改进DDPG模型使线上取得稳定收益；基于TensorFlow的轻量级实时DRL框架为快速迭代实验提供了保障。 阅读全文

在O2O场景中，用户意图明确时，通常通过搜索来解决信息过载的问题，当用户的意图不明确或者很难用清晰的语义表达，搜索引擎就无能为力。这时，推荐系统通过用户行为的分析，理解其意图，并为其推送个性化的结果，便成为一种更好的选择。 阅读全文

本文介绍了旅游推荐系统从0到1完整的演进过程，包括：召回/排序策略迭代优化、工程架构设计、应用场景实践等。最后提出了旅游推荐系统未来面临的挑战。 阅读全文