参与推荐系统的搭建,负责商详页、购物车等多个场景的个性化推荐;
熟练掌握常用的推荐相关的机器学习&深度学习算法,如CF、YoutebeNet、SASRec、WDL等;
参与知识图谱的构建,并将知识图谱应用于推荐系统中,对GNN、GCN、graphSAGE等图算法有一定的了解和应用;
熟练使用Python、Spark、R语言等编程语言,熟悉Tensorflow、Keras等主 流深度学习框架。
对原有的线上新闻分类算法进行优化,从传统机器学习转入深度学习,采用TextCNN、TextRNN等算法对新闻类数据进行分类,线上平均准确率在99%左右,较原先有了大幅度的提升;
对query-title数据进行文本清洗、分词等预处理操作,并构建模型训练集;
分别采用文本分类模型TextCNN、文本匹配模型DSSM、预训练模型BERT等进行训练,生成每个query和title的Embedding表征;
线上服务采用基于Flask框架开发的实时向量召回引擎,实时生成query向量,
并基于Faiss框架快速检索相似度最高的title进行召回。
爬取各大电商网站的商品、文本信息,如淘宝、天猫、小红书、微博等,并提取出其中的商品内容实体作为知识图谱中的节点 使用各种深度学习模型进行推荐系统的召回、精排等,生成千人千面的推荐结果,如足迹的推荐、首页猜你喜欢的推荐等
爬取各大网站的商品和文本内容信息,如淘宝、小红书、知乎、微博等,并通过实体抽取技术提取出实体信息作为知识图谱的节点 运用各种深度学习模型,对用户进行商品推荐,生成千人千面的推荐结果