Nessa apresentação falaremos sobre nossa stack, como construímos sistemas de recomendação usando várias técnicas, como aprendemos sobre o comportamento dos usuário usando Reinforcement Learning e como fazemos predições/análises, mantendo mais de 50 modificações de algoritmos em produção para recomendação gerando impacto em mais de 70 milhões de usuários únicos por mês. Falaremos sobre o nosso ambiente altamente focado em sistemas open-source e como estamos estamos com isso tornando a empresa cada dia mais Data Driven.
29. surf medina
peniche
prancha
mundial de
surf john john
mineirinho
pipeline
futebol
guerrero
flamengo
STJD
copa do brasil
fluminense henrique
brasileirão
COLLABORATIVE FILTERING CONTENT BASED TOP
31. Coisasparecidascomessas,comasmesmaspalavras-chave
Ele temuma rápida atualização
Preciso conhecerdousuáriooudoitem
Usado noSpotify paracriaçãode playlistsautomáticas
Duasabordagenssãousadasna globo.comTF-IDFeSemântica
TF-IDF: Automáticoparaextraçãodepalavras-chave
Semântica:Oseditoresindicamnomomento dacriaçãosobrequem
éeondeocorreuofato
CONTENT BASED
32. Oque usuáriosparecidos comigoviramque eu não vi
Éo de maiortaxadeconversão,omais assertivo
Ele temumaatualizaçãolenta,nãoébomparanotícias
bombásticasdeagoraeprecisoconhecerousuário
Famosopelousona Amazon
Usadoeme-commercesdetodomundo
Netflixficoufamosoporfazerumganhodeperformancecomo
algoritmoALS-Fatoraçãodematriz
ALS tem umótimo resultadodentrodaglobo.com
COLLABORATIVE FILTERING
55. DICAS
Estatísticavai entrar no seu dia
Infraestruturatem que tá na veia - DevOps
Publicaçõestem que ser rotina de leitura
TensorFlowolhe ele com muito carinho