推荐系统开发
1.搭建了trovoapp直播间和聊天室推荐系统
2.召回和重排模块策略开发
◇模型训练平台和在线打分服务搭建:
1.搭建了tensorflow离线打分和tf-serving在线打分
2.将模型训练和上线更换成Venus无量模型训练和上线
◇推荐系统策略优化
1.召回:
通过用户最近一段时间消费数据进行u2i召回;
使用deepwalk模型生成主播向量,进行i2i召回;
使用swing算法计算直播相似度,进行i2i召回;
使用双塔模型获得用户向量,进行u2u2i和u2i2i召回;
双塔模型召回,在线使用faiss进行向量召回;
通过用户最近观看的session,进行i2i召回;
新主播召回。
2.排序:
模型:从ctr模型逐步迭代到多目标模型(ctr,时长,打赏):
dcnm、esmm、mmoe、ple、din
特征:用户画像、用户实时特征、主播画像、主播实时特征
3.重排:
多样性dpp
新主播boost
◇推荐策略和模型依赖数据流开发,实验报表开发,实验效果分析。

likeeapp主页直播推荐rank模块开发
◇rank排序模型离线和在线开发
开发了wide&&deep、din、esmm、mmoe、transformer、cgc
◇recall开发了sessioni2i召回、YouTubeDNN向量检索召回、graph召回
◇rerank对关注主播少的用户加关注提权
◇likeeapp附近页直播推荐开发排序模块
◇likeeapp主页直播推荐rank打分升级到rtp

语义相似度计算
依次使用dssm/cdssm、pairCNN、eSim、bert进行了模型的迭代
负责了模型的离线开发开发到上线开发的整个流程及模型调优
使用了word2vec训练离线词向量
在用线用于query相似度计算
◇机器阅读理解
依次使用r-net、bert进行了模型的迭代
负责了模型的离线开发开发到上线开发的整个流程及模型调优
在用于query答案抽取
◇点击率预估
开发wide&deep模型用于广告点击率预估
负责了模型的离线开发开发到上线开发的整个流程及模型调优

广告用户留存率预估
用ftrl(spark版)算法预测广告用户留存率,用做广告触发后过滤。
◇推荐新闻点击率预估
用ftrl(spark版)算法预测新闻点击率,用作线上ranking。
用信息增益及acc2进行特征选择。
用ftrl(mpi版)算法预测新闻点击率,用作线上ranking。
用dnn算法预测新闻点击率,用作线上ranking。

5A景区与5星酒店评价模型建模
根据模型计算景区酒店的评价得分和评价指数
对评价指数进行数据分析和可视化
◇Python爬取网络数据
抓景区和酒店的相关数据,加入评价系统,扩充评价指标

编写授课教材和测试试卷。