机器学习
今日头条推荐系统分享个人总结
背景
欢欢对外有过两次对头条推荐算法的分享，两次分享的质量差距还是挺大的。第一次的分享没有参加（叫今日头条的人工智能技术实践），第二次的分享（叫让算法公开透明），是公开报名，我有幸参加了。总体来说，明显第二次分享是给D的解释大于真正的算法介绍，不过对于推荐算法入门来说，还是能学到很多的东西。
最近就两次文章的PPT+文章做了一些整理，学习，总结。以下内容不代表原分享，掺杂了很多自己的理解。（附上第二次分享文章+视频：http://www.sohu.com/a/218261968_464033）
具体说明
文章从以下几个方面分享我的学习与总结：
1、推荐算法的价值
2、头条推荐算法介绍
3、推荐工程架构与推荐算法评估工具
4、头条推荐算法一些&qu...
推荐效果线上评测：AB测试平台的设计与实现（二）
背景
本来想着所有的AB相关的都写在上一个博文，但是实在太长了那个，最近服务器不稳定，为了隔离开，特此开新的博客文章，专门写一个，如何开发一个AB测试平台。
上一篇其实更多的是理论基础，这一篇就偏向具体实战。
具体需求
1、整体框架 （点击此处看大图）
2 具体设计
原型见：https://oy3z1e.axshare.com ，因为不是专业做这个，只是调研，所以实现都比较简单。
分流模型 （点击此处查看大图）
剩下的两部分，业务跟用户部分，就不用写了，是业务方相关了。
3 补充说明
这篇文章写完，对AB测试的研究部分就算结束了，当然依然存在着一些疑问跟具体实践过程中的问题。有一些问题有了答案，有一些问题还没有。我会继续更新记录到这个...
推荐效果线上评测：AB测试平台的设计与实现（一）
1、背景
在推荐系统中，评测效果，除了离线的AUC，更合理的方法是通过线上真实的AB测试，来比较策略的效果。
AB测试来自医学的双盲实验，在双盲测试中：
1、病人随机被分成两组，在不知情的情况下，分别服用安慰剂跟测试用药
2、经过一段时间后，再来比较两组病人的表现是否有显著差异。
从而决定药物是否真的有用。
互联网行业的AB测试类似，对于一个策略/UI，在同一个时间维度，保证其他体验一致的情况下，分析实验组跟对照组的区别，以便做决策判断。
因为经常接触AB测试，以及看到了国内一些公司的AB平台不同的设计实现方法，整理一下AB测试平台相关知识。
2、具体说明
本文从以下方面讨论。
2.1 单层实验：方法以及问题
2.2 多层重叠实...
category，label，tag的区别
背景
在统计日志，推荐中，经常会使用到category，label，tag。有时候分不清三者的区别，整理分享。
具体说明
翻译：
category ：分类
label：标记
tag：标签
1、label与tag的区别
-文本指代不同：label中的文本信息代表本身的内容，所指向区域的功能；而tag文本表示对象的附加属性，这个属性是人或者用户给予的，用来描述该对象的。
-概念起源不同：label是网页上的标志，展示给用户网页上的内容分布，标记的设计和命名，应该早先于标记所指向的内容产生；而tag，从来源上就可看出是一种人为的记号，大部分情况是内容产生后，向内容添加标签以方便再次返回查找。
-用途不同：label表明了信息之间的层级和归属关系，可用于引导（导...
stop words（中文+英文）
背景
分享一份停用词表，中文+英文
具体说明
stop_words.txt
Facebook推荐工程师交流笔记
背景
与facebook某工程师交流，记一下交流的信息
具体说明
自己总结：
Q1：facebook的推荐PM跟推荐RD怎么配合，推荐PM的需要涉及到model的工作吗？
A：因为feed是一个会涉及到多个业务的部门，所以PM会做很多协调，管理方面的工作，来推动各方支持。推荐PM不会涉及到model部分。
Q2：如果是纯富媒体内容（比如纯图片，纯视频，非文本类），在推荐中的学习使用情况。
A：facebook没有对内容有任何的学习处理，会提取用户发布的#hashtag#，但是不会自己再对内容做理解。所以也没有处理过图像，facebook实验室针对图像做的一些东西，instagram在用，但是facebook feed本身story没用。
——延展：这里才想起来，facebook其实只有一种召回，就是关...