Как стать автором
Обновить
  • по релевантности
  • по времени
  • по рейтингу

YouTube ужесточает правила, чтобы защитить сообщество от педофилов

IT-компании


YouTube продолжает борьбу с педофилами, которые отыскивают на ресурсе видеоролики с детьми. В начале июня представители компании опубликовали отчет, где рассказали о мерах предосторожности, уже внедренных на данный момент, и отдельных нововведениях. Основным среди последних является ограничение на публикацию стримов для несовершеннолетних: теперь материалы без присутствия взрослых в кадре будут удаляться.
Всего голосов 21: ↑17 и ↓4 +13
Просмотры 26K
Комментарии 200

Источники новостей на «Яндекс.Новостях» теперь можно настраивать

Социальные сети и сообщества IT-компании

«Яндекс» теперь даёт возможность настраивать источники новостей. В разделе «Яндекс.Новости» в первую очередь будут показываться новости из тех изданий, которые вы выберете как приоритетные (если там "горячие" новости, конечно, есть). Также можно скрыть нежелательные источники или источники, которые не вызывают у вас доверия.

Читать далее
Всего голосов 16: ↑16 и ↓0 +16
Просмотры 7.2K
Комментарии 15

Китай собирается регулировать алгоритмы рекомендательных систем

Алгоритмы *Управление e-commerce *Управление продажами *Законодательство в IT Финансы в IT

Китайские власти опубликовали проект руководящих принципов по регулированию алгоритмов, которые компании используют для предоставления рекомендаций пользователям.

Читать далее
Всего голосов 10: ↑10 и ↓0 +10
Просмотры 924
Комментарии 0

Рекомендательные системы: перепросмотр

Чулан
Перевод
Примечание: ниже перевод статьи «Rethinking Recommendation Engines» от Alex Iskold (знаменитого своими исследованиями в области экономики внимания и теоретических основ механизма социальных сетей), в которой автор рассматривает текущие рекомендательные системы и пытается предсказать, что ждет их в будущем (фактически, предлагает радикальный способ по их улучшению).

NeflixБолее двух лет назад Netflix анонсировал соревнование по движку рекомендаций: любой, кто изобретает алгоритм, позволяющий улучшить качество их рекомендательной системы не менее, чем на 10%, выигрывал один миллион долларов. Многие исследовательские группы с энтузиазмом взялись за дело, воодушевленные количеством доступной для анализа информации. В самом начале был достигнут некоторый прогресс, но затем он затормозился, и сейчас исследователи остановились в районе улучшения примерно на 8,5%.

В этом посте мы разберем, почему улучшения рекомендательного движка является не алгоритмической проблемой, а, скорее, вопросом представления. Переосмысление рекомендаций как фильтров и их применение без ориентации на высокий конечный результат, по-видимому, скорее приведет к успеху, чем более быстрое «перемалывание» (crunching) данных.
Читать дальше →
Всего голосов 30: ↑27 и ↓3 +24
Просмотры 1.2K
Комментарии 25

Рекомендательный рекрутинг: Когда за друзей платят

Чулан
Работодатели, нуждающиеся в новых квалифицированных кадрах, обращаются за помощью к своим работникам с просьбой найти подходящих кандидатов среди друзей и родственников, пишет Колин Коттелл (Colin Cottell).

Переводная статья. Рекомендательная сеть gooroo по поиску персонала. При перепечатке ссылка на источник обязательна.

The Guardian (20 августа 2005)

Крупные работодатели привлекают сотрудников к поиску персонала среди друзей и родственников, таким образом, решая проблему найма квалифицированных специалистов. Явление само по себе не новое, однако, последние исследования говорят о значительном росте количества компаний, решающих проблему найма персонала, привлекая сотрудников к поиску талантов.

Опасения, что такой подход сведет “на нет” попытки увеличить разнородность штата (зачем привлекать в большинстве своем белых сотрудников к поиску соискателей, если известно, что даже профессиональные рекрутеры склонны нанимать людей по собственному образу и подобию?), уже рассеялись.

В результате даже многие крупные и политкорректные работодатели присоединились к общей тенденции.

Карли Гилпин (Carly Gilpin), менеджер по работе с клиентами Общенационального строительного общества в Хартфорде (Nationwide Building Society in Hertford), — один из современных «сержантов по вербовке». Мисс Гилпин, 21 год, в рамках программы «Люди как мы» («People Like Us») привела в компанию свою подругу и получила вознаграждение в размере 500 фунтов.

«Люди знают людей. Знают, какие они, смогут ли они влиться в коллектив», — говорит она. «Моя подруга энергична. Все в нашей компании дружелюбны и энергичны. Да, за успешную рекомендацию у нас причитается вознаграждение, но если честно, мне просто нравится работать в этой компании, и я решила, что моей подруге тоже понравится».

По данным исследования по найму и мотивации сотрудников, подготовленного Дипломированным институтом персонала и кадрового развития (Chartered Institute of Personnel and Development's 2004) в 2004 году более 8 из 10 работодателей испытывают трудности с наймом, и 38% работодателей в Великобритании использовали рекомендательный рекрутинг как инструмент подбора персонала. Рост этого показателя составил 4% по сравнению с предыдущим годом.

Читать дальше →
Всего голосов 17: ↑10 и ↓7 +3
Просмотры 1K
Комментарии 17

Неделя Российского Интернета (RIW): Стенограмма круглого стола «Рекомендательные системы – новый тренд Рунета: проблемы и выгоды»

Чулан
По инициативе Имхонет на Неделе Российского Интернета RIW (Крокус Экспо, 22-26 октября) проводился круглый стол «Рекомендательные сервисы – новый тренд Рунета: проблемы и выгоды».

Тренд рекомендательных сервисов распространяется столь быстро, что даже в анкетах, заполняемых при приеме на работу в интернет-компаниях, появилась графа «владение рекомендательными системами». Как часто бывает, популярность и востребованность приводят к неразберихе. Типичная ситуация, когда на сайте ставят простейшую голосовалку и публикуют рейтинги, называя это модным словом «рекомендательный сервис». Хотя это имеет лишь косвенное отношение к делу. Поэтому во время дискуссии обсуждались следующие вопросы:
— критерии, позволяющие отличить рекомендательные сервисы в узком смысле слова от систем, которые дают всевозможные подсказки и наводки;
— различные типы рекомендательных систем: для каких целей они лучше подходят;
— ценность рек.сервисов для пользователей и профессиональных игроков интернет-рынка;
— способы выдачи рекомендаций: автоматическое генерирование прогнозов и тонкие, «ручные» фильтры и подстройки, позволяющие сколь угодно подробно уточнять рекомендацию;
— экономические эффекты, к которым приводит установка рекомендательного функционала на сайте. В частности, улучшение навигации и, как следствие, повышение лояльности пользователей, а также дополнительные возможности для монетизации ресурсов. (Первый опыт экспорта рекомендательного функционала Имхонета на сторонние площадки показывает, что продаваемость товаров воозрастает на 18 процентов, количество просмотренных страниц – на 24.) И т.д.
В круглом столе участвовали люди, стоящие в разных профессиональных позициях… Производители различных рекомендательных услуг: Имхонет – управляющий сервисом Александр Долгин, «Афиша» – руководитель проектов Елена Кузнецова, работный рекомендательный сервис Гуру.ру – генеральный директор Александр Пятигорский; операторы доступа к контенту (АКАДО – начальник управления развития услуг Иван Волченсков); эксперты (Александр Сергеев – научный редактор «Вокруг Света»).
В результате чего удалось достаточно объемно взглянуть на проблему – подробнее см. стенограмму круглого стола.
Читать дальше →
Всего голосов 6: ↑2 и ↓4 -2
Просмотры 545
Комментарии 3

Google Статистика поиска — Посмотрите, что ищут люди по всему миру (на 39 языках)

IT-компании
Статистика поиска Google позволяет сравнивать объемы поисковых запросов по различным регионам, категориям, временным рамкам и веб-службам.

Приведенные ниже примеры иллюстрируют некоторые способы использования Статистики поиска Google. Независимо от того, представляете ли вы рекламное агентство, небольшую компанию, международную корпорацию или исследовательский центр, с помощью Статистики поиска вы сможете оценить интерес к требуемым поисковым запросам.
image

Читать дальше →
Всего голосов 36: ↑31 и ↓5 +26
Просмотры 54K
Комментарии 34

Твиттер запустил рекомендательный сервис друзей

Социальные сети и сообщества
99.37 КБНе успело на Хабре отшуметь исследование на тему "Кого фолловят хабрапользователи", как Твиттер запустил рекомендательный сервис по поиску друзей.

Конечно, вряд ли это означает, что Твиттер тырит идеи на Хабре — это, скорее, заимствование у Фейсбука. Не всё Контактику же у него тырить. Идея, кстати, отличная — ФБ в своё время меня цепанул именно замечательным поиском друзей. Но Твиттер, в отличие от него, не копается в вашей почте, а ориентируется на то, кого фолловят ваши друзья.

Т.к. моя лента в Тви чуть менее, чем полностью состоит из хабровчан, список моих рекомендаций вышел подозрительно похожим на топ популярных у Хабры твиттерян :)
Всего голосов 71: ↑41 и ↓30 +11
Просмотры 374
Комментарии 22

Итоги конкурса рекомендаций или победа над кадровым кризисом

Блог компании ITmozg
Недавно к нам обратилась компания с просьбой помочь быстро найти Ruby-программиста. Сами пытались искать, но попытки успехом не увенчались — на рынке грамотных специалистов не так много. Мы объявили конкурс с вознаграждением за рекомендацию и за выход на работу, за два дня собрали рекомендации нужных специалистов и передали компании. Две недели шли собеседования. По итогам всех переговоров компании пришлось разориться на два айпада и два айфона — приглашение на работу получили два человека. Такое бывает — никак не могли выбрать :)
Под катом торжественное награждение сотрудников и рекомендателей, получающих девайсы из рук владельца компании. Сотрудники настоящие, в коробках айфоны и айпады, их правда четыре, нет, потом не отобрали.
Читать дальше →
Всего голосов 34: ↑25 и ↓9 +16
Просмотры 7.8K
Комментарии 17

Рекомендательные системы: постановка задачи

Блог компании Surfingbird
Всем привет! Меня зовут Сергей, я математик, и я определяю развитие рекомендательной системы Surfingbird. Этой статьёй мы открываем цикл, посвящённый машинному обучению и рекомендательным системам в частности – пока не знаю, сколько в цикле будет инсталляций, но постараюсь писать их регулярно. Сегодня я расскажу вам, что такое рекомендательные системы вообще, и поставлю задачу чуть более формально, а в следующих сериях мы начнём говорить о том, как её решать и как учится наша рекомендательная система Tachikoma.

image

Читать дальше →
Всего голосов 32: ↑27 и ↓5 +22
Просмотры 29K
Комментарии 22

Рекомендательные системы: user-based и item-based

Блог компании Surfingbird
Итак, в прошлый раз мы немного поговорили о том, что такое вообще рекомендательные системы и какие перед ними стоят проблемы, а также о том, как выглядит постановка задачи коллаборативной фильтрации. Сегодня я расскажу об одном из самых простых и естественных методов коллаборативной фильтрации, с которого в 90-х годах и начались исследования в этой области. Базовая идея очень проста: как понять, понравится ли Васе фильм «Трактористы»? Нужно просто найти других пользователей, похожих на Васю, и посмотреть, какие рейтинги они ставили «Трактористам». Или с другой стороны: как понять, понравится ли фильм «Трактористы» Васе? Нужно просто найти другие фильмы, похожие на «Трактористов», и посмотреть, как Вася их оценивал.


Читать дальше →
Всего голосов 25: ↑25 и ↓0 +25
Просмотры 34K
Комментарии 17

Рекомендательные системы: SVD, часть I

Блог компании Surfingbird
Продолжаем разговор о рекомендательных системах. В прошлый раз мы сделали первую попытку определить схожесть между пользователями и схожесть между продуктами. Сегодня мы подойдём к той же задаче с другой стороны – попытаемся обучить факторы, характеризующие пользователей и продукты. Если Васе из предыдущего поста нравятся фильмы о тракторах и не нравятся фильмы о поросятах, а Петру – наоборот, было бы просто замечательно научиться понимать, какие фильмы «о поросятах», и рекомендовать их Петру, а какие фильмы – «о тракторах», и рекомендовать их Васе.

image
Читать дальше →
Всего голосов 17: ↑15 и ↓2 +13
Просмотры 52K
Комментарии 5

Рекомендательные системы: SVD и базовые предикторы

Блог компании Surfingbird
В прошлый раз я рассказал, пока в самых общих чертах, о сингулярном разложении – главном инструменте современной коллаборативной фильтрации. Однако в прошлый раз мы в основном говорили только об общих математических фактах: о том, что SVD – это очень крутая штука, которая даёт хорошие низкоранговые приближения. Сегодня мы продолжим разговор об SVD и обсудим, как же, собственно, использовать всю эту математику на практике.
image

Читать дальше →
Всего голосов 10: ↑9 и ↓1 +8
Просмотры 27K
Комментарии 5

Рекомендательные системы: SVD на perl

Блог компании Surfingbird
В предыдущих сериях мы обсудили, что такое сингулярное разложение (SVD), и сформулировали модель сингулярного разложения с базовыми предикторами. В прошлый раз мы уже довели дело до конкретных формул апдейта. Сегодня я продемонстрирую очень простую реализацию очень простой модели, мы применим её к уже знакомой матрице рейтингов, а потом обсудим, какие получились результаты.


Читать дальше →
Всего голосов 7: ↑7 и ↓0 +7
Просмотры 13K
Комментарии 3

Конкурс рекомендательных систем MSD Challenge

Программирование *Data Mining *Алгоритмы *
26 апреля стартовал конкурс рекомендательных систем Million Song Dataset Challenge. Завершение — через три месяца, 9 августа. В ходе конкурса нужно построить систему, которая по 100% истории прослушивания музыки для 1М пользователей и 50% истории для 100К пользователей сможет максимально точно достроить недостающие 50%. При этом доступны не только данные по прослушиванию, но и обширная база метаданных и даных по контенту от The EchoNest, MusicXMatch и Last.fm. При желании можно пользоваться любыми другими данными (у многих других музыкальных сервисов есть API, через который можно выудить ценную информацию).

Организаторы — CAL UCSD, LabROSA CU, IMIRSEL и UIUC.

Как такового приза у конкурса нет, но компания Zvooq решила сделать его чуть более интересным для российских участников. Лучшая команда из России (вне зависимости от абсолютного места) получит $5000 и возможность бесплатно отправить одного участника на ISMIR 2012.

Условия получения этого бонуса — все участники команды должны проживать в РФ, должно быть опубликовано описание используемого подхода (например, на Хабре или arxiv.org), команда должна заявить о себе на challenge@zvooq.com.

Читать дальше →
Всего голосов 10: ↑8 и ↓2 +6
Просмотры 898
Комментарии 0

Рекомендательные системы: оверфиттинг и регуляризация

Блог компании Surfingbird
Постоянно падающая популярность предыдущих публикаций побуждает предпринимать поступки, помогающие популярность поддержать. Приметил – популярность первых публикаций порядочно превышает последующие; поэтому попробую перезагрузиться.

На протяжении предыдущих серий мы тщательно рассмотрели метод SVD и даже довели его до программного кода; начиная с этого текста, я буду рассматривать более общие вещи. Вещи эти, конечно, всегда будут тесно связаны с рекомендательными системами, и я буду рассказывать о том, как они в рекомендательных системах возникают, но постараюсь делать упор на более общих концепциях машинного обучения. Сегодня – об оверфиттинге и регуляризации.

Читать дальше →
Всего голосов 17: ↑16 и ↓1 +15
Просмотры 12K
Комментарии 17

Рекомендательные системы — будущее интернета

Чулан
image

Недавно наткнулся на новомодный тренд: рекомендательные системы, — на конкретного его представителя Surfingbird (нет, я не сотрудник данной компании). Сразу встал вопрос, как я могу на этом заработать, не стоит ли готовиться к очередной смене схемы поведения пользователей в сети?

Почему так серьезно?

Читать дальше →
Всего голосов 38: ↑20 и ↓18 +2
Просмотры 3.5K
Комментарии 47

Рекомендательные системы: теорема Байеса и наивный байесовский классификатор

Блог компании Surfingbird
В этой части мы не будем говорить о рекомендательных системах как таковых. Вместо этого мы отдельно сконцентрируемся на главном инструменте машинного обучения — теореме Байеса — и рассмотрим один простой пример её применения — наивный байесовский классификатор. Disclaimer: знакомому с предметом читателю я вряд ли тут сообщу что-то новое, поговорим в основном о базовой философии машинного обучения.

image
Читать дальше →
Всего голосов 25: ↑22 и ↓3 +19
Просмотры 56K
Комментарии 9

Рекомендательные системы: LDA

Блог компании Surfingbird
Tutorial
В прошлый раз я рассказывал о теореме Байеса и приводил простой пример – наивный байесовский классификатор. В этот раз мы перейдём к более сложной теме, которая развивает и продолжает дело наивного байеса: мы научимся выделять темы при помощи модели LDA (latent Dirichlet allocation), а также применим это к рекомендательным системам.


Читать дальше →
Всего голосов 14: ↑13 и ↓1 +12
Просмотры 29K
Комментарии 7

Многорукие бандиты: введение и алгоритм UCB1

Блог компании Surfingbird Алгоритмы *
Tutorial
Это первый пост из блога Surfingbird, который я выношу в общие хабы алгоритмов и искусственного интеллекта; честно говоря, раньше просто не догадался. Если интересно, заходите к нам, чтобы прочесть предыдущие тексты, – я не знаю, что произойдёт, если просто добавить новые хабы к постам несколькомесячной давности.

Краткое содержание предыдущих серий о рекомендательных системах:

В этот раз начинаем новую тему – о многоруких бандитах. Бандиты – это самая простая, но от этого только более важная постановка задачи в так называемом обучении с подкреплением


Читать дальше →
Всего голосов 41: ↑36 и ↓5 +31
Просмотры 43K
Комментарии 13