用“下馆子”来理解推荐系统的版本演进

现在人们在网络上获取信息的方式一般push和drug两种方式。drug的代表就是搜索引擎，push的代表就是今天的主角推荐系统。

为什么人们需要推荐系统，需求在哪?

互联网刚发展的时候，信息比较少，人们主要通过类似大黄页的形式，获取信息，代表就是雅虎崛起。然后随着互联网的高速发展，信息进一步丰富，黄页已经放不下那么多信息了，这时对网站进行过滤和排名的搜索引擎就出现了，代表企业就是谷歌。然后经过了这么多年的发展，信息进一步丰富，因为很多信息，我们根本就不知道它的存在，这时搜索引擎也不适用了，出现了推荐系统，将你想要的信息主动的推送给你。

什么样的产品适合做推荐系统

1.用户没有明确的目的性，以逛为主

2.系统的内容非常多，新内容不断产生。用户无法一一看完

推荐系统分类

推荐系统是推荐商品的，但是它如何推荐的呢?以饭馆吃饭来举一波例子。

原始阶段：你到一家饭馆吃饭，没有推荐系统的时候，你就默默看着菜单，凭着自己的感觉点菜。

1.0版本：你再去吃饭的时候，老板来了一句，本店特色菜是××××，你有兴趣吗? 这种就是专家推荐系统，由专家(老板)负责筛选内容，然后统一的推送给所有用户，例如热门推荐文章或者商品

2.0版本：你又去吃饭，老板来了一句“喜欢川菜还是粤菜啊?”，你来了一句“川菜”，然后老板说“本店川菜的辣子鸡和夫妻肺片很好吃，要不要试一下呢?”这就是标签化用户，然后根据用户标签进行推荐，例如Quora问答社区，你刚进入的时候，让你选择感兴趣的话题，然后进行推荐。

3.0版本：你又去吃饭，已经是熟客了，这个时候老板说“你平常很喜欢吃川菜，本店川菜系列新增了水煮肉片，要不要尝试一下?”这是基于内容的推荐系统，将所有的内容进行分类，然后推荐给经常消费该类的用户。

4.0版本：你又去吃饭，老板说“和你一样的口味的人，很喜欢我们最近推出的宫保鸡丁，你要不要试一试?”这就是基于用户行为的推荐系统，根据用户行为对用户进行分类，然后将某一类用户均常用的东西，推荐给这一类的其他用户。

目前的推荐系统基本包含在上述四个版本之中，常常是结合起来用。例如当你一开始进入某个网站，热门内容是1.0版本，然后通过收集你点击了哪些内容，逐步刻画精准的用户画像，进阶到3.0或者4.0版本。

本文作者：xunzou

来源：51CTO

如何用AI大模型升级升级产品 众所周知，从去年到今年，AI领域出现井喷版的火热景象，越来越多的基于AI大模型诞生的应用越来越多，功能也越来越强大。就拿传统的搜索引擎企业来讲，也不得不迅速加入到AI大模型开发的队伍中，以求提升自身搜索产品的功能升级。无论是国内还是国外，被chatGPT直接影响到的行业都在打造自己的AI大模型，为的就是跟上技术发展的脚步，使得自身产品能够保持持续的竞争力。
OpenYurt v1.2 新版本深度解读（一）: 聚焦边云网络优化 云原生边缘计算智能开源平台 CNCF OpenYurt 于近期发布了 v1.2 版本。OpenYurt 是业界首个对云原生体系无侵入智能边缘计算平台，具备全方位的“云、边、端一体化”能力，能够快速实现海量边缘计算业务和异构算力的高效交付、运维及管理。
阿里开源自研工业级稀疏模型高性能训练框架 PAI-HybridBackend 近年来，随着稀疏模型对算力日益增长的需求, CPU集群必须不断扩大集群规模来满足训练的时效需求，这同时也带来了不断上升的资源成本以及实验的调试成本。为了解决这一问题，阿里云机器学习PAI平台开源了稀疏模型高性能同步训练框架HybridBackend，使得在同成本下GPU集群训练吞吐较CPU集群提升至5倍，大幅降低调试成本。那么HybridBackend背后的技术框架如何设计？未来有哪些规划？本文将和大家一起来深入了解。
阿里开源自研工业级稀疏模型高性能训练框架 HybridBackend 近年来，随着稀疏模型对算力日益增长的需求, CPU集群必须不断扩大集群规模来满足训练的时效需求，这同时也带来了不断上升的资源成本以及实验的调试成本。
PyTorch的优势它也有！腾讯全栈机器学习平台Angel 3.0 重点研发图机器学习功能 腾讯首个AI开源项目Angel完成3.0版本迭代，近日从AI领域的顶级基金会LF AI基金会毕业了。Angel 3.0致力于打造一个全栈的机器学习平台，功能特性涵盖了机器学习的各个阶段，尤其在图机器学习方面功能强大。