Семантическое ядро рунета — высоконагруженная сontent-based рекомендательная система реального времени на базе Amazon Kinesis, Lucene (Александр Сербул, SECR-2016) — различия между версиями
Материал из 0x1.tv
StasFomin (обсуждение | вклад) (Batch edit: replace PCRE \[([^\s]+) Страничка доклада на сайте конференции\] with {{ConferencePage|$1}}) |
StasFomin (обсуждение | вклад) |
||
;{{SpeakerInfo}}: {{Speaker|Александр Сербул}} <blockquote> В докладе мы поделимся опытом создания content-based рекомендательной системы для электронной коммерции, работающей на семантическом ядре рунета. * Расскажем, как организовали централизованный сбор и обработку информации о посещении пользователями более 100 000 сайтов различной направленности на основе Amazon Kinesis. * Поделимся опытом многопоточной онлайн-индексации потоков данных в Lucene. * Продемонстрируем используемые базовые алгоритмы ранжирования и формирования персональных рекомендаций для посетителей более 20 000 интернет-магазинов. </blockquote> {{VideoSection}} {{vimeoembed|190378797|800|450}} <!-- {{youtubelink|}} -->|B2HVaTGQbvg}} {{SlidesSection}} [[File:Семантическое ядро рунета — высоконагруженная сontent-based рекомендательная система реального времени на базе Amazon Kinesis, Lucene.pdf|left|page=-|300px]] {{----}} {{LinksSection}} * {{ConferencePage|http://2016.secr.ru/program/submitted-presentations/semantic-web-highload-content-based-recommendation-system-real-time-amazon-kinesis-lucene}} <!-- <blockquote>[©]</blockquote> --> <references/> <!-- topub --> [[Категория:SECR-2016]] [[Категория:Machine Learning]] |
Версия 13:15, 30 января 2017
- Докладчик
- Александр Сербул
В докладе мы поделимся опытом создания content-based рекомендательной системы для электронной коммерции, работающей на семантическом ядре рунета.
- Расскажем, как организовали централизованный сбор и обработку информации о посещении пользователями более 100 000 сайтов различной направленности на основе Amazon Kinesis.
- Поделимся опытом многопоточной онлайн-индексации потоков данных в Lucene.
- Продемонстрируем используемые базовые алгоритмы ранжирования и формирования персональных рекомендаций для посетителей более 20 000 интернет-магазинов.
Видео
Презентация
Примечания и ссылки