推荐算法 主要在工业界使用了推荐算法在我们的系统中 1.召回算法 itemcf 物品协同过滤 实现 由此产生了基于物品的协同过滤（itemCF）给用户推荐和他们之前喜欢的物品相似的物品。不过ItemCF算法不是根据物品内容属性计算物品之间相似度，它主要通过分析用户的行为记录来计算物品之间的相似度。 2.基于物品的协同过滤算法主要分为两步： 1）：计算物品之间的相似度 2）：根据物品之间相似度和用户的历史行为给用户生产推荐列表。 3.LFM 实现 LFM算法是属于隐含语义模型的算法，不同于基于邻域的推荐算法。 4.Personal rank 实现 基于图的推荐算法，类似于Page Rank 算法

1. 机器翻译分词模块：主要是基于开源分词数据+互联网新词+公司聊天累计数据等来优化 分词模块；包括基础预料预处理的标准制定、数据清洗、模型训练、线上对接翻译系统和相 关部署；模型训练主要是基于 CRF++框架和 Bilstm-crf 两种算法进行实验对比，两个算法最 终的结果都优于 jieba、hanlp 等开源的分词；最终上线的是 crf++,部署方式是 flask。 2. 实体识别和抽取：主要针对于翻译中出现的中文实体进行优化和抽取；主要是对中文人 名/地名/音译名等进行抽取和识别模块；该部分主要基于人民日报数据+常用人名（包括外 国音译和日本名等），算法用的 bilstm+crf，部署也是 flask。

项目简述：基于 Funplus 几款游戏内的玩家行为数据，对玩家做时间序列方面的预测(时间 颗粒度：按天)，主要包括流失预测和付费预测两大类，具体如下： 1. 流失预测：包括用户流失预测和用户活跃度预测模型 核心部分：主要是对数据进行预处理和特征工程，其中主要是利用滑窗的思想对时间序列数 据进行特征画像(核心时间窗口：候选窗口，历史窗口，观察窗口),训练目标是未来几天用户 是否流失；模型方面选择的是 LGBM 算法框架和 Bi-lstm 模型； 2. 付费预测：包括用户付费概率预测和大 R 预测模型 核心部分：数据处理基本和上面一致，特征工程部分滑窗的思想保留，这里的特征工程画像 主要是围绕着付费进行设计和处理的，包括利用 RMF 模型处理特征等，训练目标是玩家未 来几天是否付费；模型方面依然选择的是 LGBM 算法框架和 Bi-lstm 模型，这里模型在训练 的时候根据用户的生命周期 LV 进行了细化训练； 3. 模型训练管理和线上部署：这里模型训练过程中使用 mlflow 框架对模型训练进行管理和 可视化，主要是能保留和跟踪每一次模型训练的结果和过程；线上部署，因为是任务调度型 的，主要就是写调度流程和并行处理的框架，支持多项目配置，自动获取项目任务等，利用 supervior 保证程序 24 小时稳定运行。