推荐算法

问题： A、B、C三位用户都喜欢看电影，他们给自己所喜欢的电影类型打了如下的分： A B C 喜剧片 3 4 2 动作片 4 3 5 生活片 4 5 1 恐怖片 1 1 3 爱情片 4 5 1 B用户喜欢的电影类型是应该推荐给A还是C？ 思路： 用K最近邻(k-nearest neighbours，KNN)算法来解决 找到与B最近的点，如果是A就推荐给A，是C就推荐给C 解答： php: <?php $A = array(3, 4, 4, 1, 4); $B = array(4, 3, 5, 1, 5); $C = array(2, 5, 1, 3, 1); // K最近邻(k-nearest neighbours，KNN) function KNN($a, $b) { $lenA = count($a); $lenB = count($b); $len = min($lenA, $lenB); $sum = 0; for ($i = 0; $i < $len; $i++) { $sum += pow($a[$i] - $b[$i], 2); } return sqrt($sum); } echo KNN($B, $A); echo "\n"; echo KNN($B, $C); echo "\n"; 输出： 2 6.6332495807108 golang: package

网易云音乐是音乐爱好者的集聚地，云音乐推荐系统致力于通过 AI 算法的落地，实现用户千人千面的个性化推荐，为用户带来不一样的听歌体验。 本次分享重点介绍 AI 算法在音乐推荐中的应用实践，以及在算法落地过程中遇到的挑战和解决方案。 将从如下两个部分展开： AI 算法在音乐推荐中的应用 音乐场景下的 AI 思考 从 2013 年 4 月正式上线至今，网易云音乐平台持续提供着：乐屏社区、UGC（User Generated Content）歌单、以及精准推荐等服务，孵化出了音乐人计划、LOOK 直播、以及主播平台等版块。 目前云音乐的注册用户有 6 个亿，而且持续在音乐类 App 排行榜里蝉联着第一的位置。 AI 算法在音乐推荐中的应用 在音乐推荐的实际应用场景中，我们采用了 AI 技术来分发歌曲与歌单。其中比较典型的应用是：每日歌曲和私人 FM，它们能够根据个性化的场景，进行相关曲目的推荐。 上图是我们整个音乐推荐系统的逻辑图，包括各种日志流、ETL、特征、召回、排序和最后的推荐。 对于该推荐系统而言，最主要的是如何理解用户的画像，也就是通过对前端数据进行整合，了解用户具体喜欢什么样的音乐。 如上图所示： 在数据层， 我们主要用到了 Hive、Hadoop、Flink、SparkSQL 和 Mammut。 在机器学习层， 我们则用到了 SparkML、Tensorflow