七猫自研机器学习平台
七猫小说APP内容推荐的精准度，依赖策略算法的持续迭代，预估模型是算法的核心能力。此前，七猫各项推荐业务接入模型需要一定的学习成本，且各项业务模型独立开发，不同业务间的模型能力不能快速协作和复用，无法形成合力，造成一定的人力浪费。针对这些痛点，我们基于开源框架，自主建设了一个机器学习平台，从特征、训练、部署等方面简化模型接入流程，将通用的数据、基建进行统一，提升模块的复用能力，减少重复开发和人力资源浪费。…
七猫算法推荐引擎架构演化之路
转眼间，七猫的算法推荐平台已走过了近三个年头，三年来，算法推荐引擎从0到1，经过一次次迭代更新，逐渐变得完善。这篇文章主要从我们推荐引擎的技术架构出发，给大家分享一下我们的架构演化之路，以及对未来演进方向的展望。…
从推荐引擎设计谈解耦
我们常说解决问题的能力是一个人的核心竞争力，解耦就是我们提升解决问题能力的关键工具，让我们面对复杂问题、复杂项目和复杂任务时能够从容不迫，化繁为简，逐步解决遇到的任何难题。…
智能曝光打压策略的探索与实践
为保证推荐结果的新颖性，本文提出了一种新的策略，通过在推荐流程中的精排阶段引入交互特征（指用户、书籍间的曝光、点击交互数据），在保证不降低推荐精度，甚至略有提升的同时，降低过滤的复杂度，其中总存储由400GB降低为200GB（降低的曝光打压存储，新增的交互特征存储），提升推荐引擎性能， 同时模型更容易维护。…