相关推荐
-
饿了么资深架构师分享云上基础架构演进
从单体应用到微服务体系再到多活架构,从用云到IaaS全面上云再PaaS上云,最后全面拥抱云原生,这就是饿了么的云上基础架构演进之路。
-
移动开发十年
内容简介 2017,顶着刘海的 ...回首过去十年,从诺记的 Symbian、摩托罗拉的 Linux、苹果的 iOS、微软的 Windows Phone、三星的 Tizen 到 Google 的 Android 等,移动操作系统也曾百花齐放,但经过十年厮杀各自...
-
饿了么技术往事(上)
作为一个互联网创业公司,饿了么从初创到壮大,在移动互联网时代,业务量和技术团队的体量经历了10倍增长,这其中的经历,是互联网领域许多创业公司技术团队的一个缩影。在这里把我们成长过程中的体...
-
饿了么高级技术经理艾辉《浅谈服务稳定性保障建设》
下面我要分享的是关于服务稳定性保障建设内容。有点紧张,因为刚刚收到几个线上服务告警短信,生怕线上服务挂了。 艾辉 简短的做一下自我介绍,2012年入行,起初在中科曙光做云计算、云存储产品的测试开发工作,...
-
饿了么EMonitor演进史
简介: 可观测性作为技术体系的核心环节之一,跟随饿了么技术的飞速发展,不断自我革新。 序言 时间回到2008年,还在上海交通大学上学的张旭豪、康嘉等人在上海创办了饿了么,从校园外卖场景出发,饿了么一步...
-
饿了么 EMonitor 演进史
序言时间回到 2008年,还在上海交通大学上学的张旭豪、康嘉等人在上海创办了饿了么,从校园外卖场景出发,饿了么一步一步发展壮大,成为外卖行业的领头羊。2017年8月饿了么并购百度外卖,强强...
-
饿了么架构师黄晓路:从单体架构到亿级微服务架构演进实践
点击“技术领导力”关注∆每天早上8:30推送作为一个互联网创业公司,饿了么从初创到壮大,在移动互联网时代,业务量和技术团队的体量经历了10倍增长,这其中的经历,是互联网领域许多创业公...
-
解读!口碑饿了么联手,阿里生态战略再添新高地
在第十个双11之前,阿里宣布成立由饿了么与口碑合并组成的本地生活服务公司。 从速度上,这离阿里财报披露成立新控股公司刚刚50天;从体量上,这是一个涵盖350万活跃商户、即时配送的66.7万活跃骑手、覆盖676个城市...
-
饿了么“短平快”创新项目的架构取舍之道
来自:DBAplus社群本文根据史海峰老师在〖2018 DAMS中国数据资产管理峰会〗现场演讲内容整理而成。讲师介绍史海峰,饿了么高级总监,曾在神州数码、亚信联创长期从事电信行业业务支撑...
-
十倍业务增长下,饿了么技术如何应对(上)?
作为一个互联网创业公司,饿了么从初创到壮大,在移动互联网时代,业务量和技术团队的体量经历了10倍增长,这其中的经历,是互联网领域许多创业公司技术团队的一个缩影。在这里把我们成长过程中的体...
-
会员、活跃消费者同比大增,饿了么做对了什么?
饿了么年度活跃消费者同比增长20%,张勇表态将继续重投饿了么 据财报显示,本季阿里集团营收超600亿元,与上财年同期400亿元的水平相比,增长幅度超过50%。这个惊人的增长,主要来自于互联网、公共部门及金融行业...
-
2017架构年度参考,“优秀”架构背后的反思与探索
Grand建立了从代码级别到线上APM监控一站式完整闭环的移动端基础设施平台,在App每一个生命周期阶段不断优化各种问题。 \\ 《深度学习在CTR预估业务中的应用》 \\ 作者:新浪微博AI Lab/资深算法专家,张俊林 \\ ...
-
移动互联网十年
移动互联网十年 链接:http://note.youdao.com/noteshare?id=f0bb06cd5bbca543ce4b02cd18383ee5&sub=7C9E6C6CE32244569BAE82848DE28A50 这是一段波澜壮阔、荡气回肠的历史 2011年8月16日,北京798艺术中心。 台...
-
移动域全链路可观测架构和关键技术
本文侧重阐述团队对移动领域全链路技术理念的原创性引入,整篇约1.2万字、阅读需要15分钟,读者将收获移动技术域体验优化的思路转变,以及软件定义体验的沉淀和研发实践。App现有架构挑战201...
-
06_QLibrary.zip
06_QLibrary.zip
-
毕业设计: 基于Densenet + CTC技术的文字检测识别的技术研究
本毕设课题是属于计算机视觉下的目标检测与识别,对象为自然场景下的各种文本信息,通俗的说就是检测识别图片中的文本信息。由于文本的特殊性,本毕设将整个提取信息的过程可以分为检测、识别两个部分。 论文对用到的相关技术概念有一定的介绍分析,如机器学习,深度学习,以及各种的网络模型及其工作原理过程。 检测部分采用水平检测文本线方式进行文本检测,主要参考了乔宇老师团队的 CTPN 方法,并在正文部分从模型的制作到神经网络的设计实现对系统进行了较为详细的分析介绍。 识别部分则采用的是 Densenet + CTC,对于印刷体的文字有较好的识别。
-
毕业设计 基于javaweb的在线答题平台
毕业设计 基于javaweb的在线答题平台
-
numpy安装 python get-pip.py
numpy安装 numpy安装 python get-pip.py
-
基于用户、物品的协同过滤算法.zip
协同过滤算法(Collaborative Filtering)是一种经典的推荐算法,其基本原理是“协同大家的反馈、评价和意见,一起对海量的信息进行过滤,从中筛选出用户可能感兴趣的信息”。它主要依赖于用户和物品之间的行为关系进行推荐。 协同过滤算法主要分为两类: 基于物品的协同过滤算法:给用户推荐与他之前喜欢的物品相似的物品。 基于用户的协同过滤算法:给用户推荐与他兴趣相似的用户喜欢的物品。 协同过滤算法的优点包括: 无需事先对商品或用户进行分类或标注,适用于各种类型的数据。 算法简单易懂,容易实现和部署。 推荐结果准确性较高,能够为用户提供个性化的推荐服务。 然而,协同过滤算法也存在一些缺点: 对数据量和数据质量要求较高,需要大量的历史数据和较高的数据质量。 容易受到“冷启动”问题的影响,即对新用户或新商品的推荐效果较差。 存在“同质化”问题,即推荐结果容易出现重复或相似的情况。 协同过滤算法在多个场景中有广泛的应用,如电商推荐系统、社交网络推荐和视频推荐系统等。在这些场景中,协同过滤算法可以根据用户的历史行为数据,推荐与用户兴趣相似的商品、用户或内容,从而提高用户的购买转化率、活跃度和社交体验。 未来,协同过滤算法的发展方向可能是结合其他推荐算法形成混合推荐系统,以充分发挥各算法的优势。
1 楼 252831020 2017-04-11 16:51