现有的同城购业务围绕京东即时零售能力搭建了到店、到家两种业务场景。同城业务与现有业务进行互补，利用高频，时效性快的特点，可以有效提升主站复访复购频次，是零售的重要战略方向。

原理如果A和B具有好友关系，B和C具有好友关系，而A和C却不是好友关系，那么我们称A和C这样的关系为：二度好友关系。在生活中，二度好友推荐的运用非常广泛，比如某些主流社交产品中都会有"可能认识的人"这样的功能，一般来说可能认识的人就是通过二度好友关系搜索得到的，在传统的关系型数据库中，可以通过图的广度优先遍历算法实现，而且深度限定为2，然而在

!(https://oscimg.oschina.net/oscnet/76a9ee48bb4c7f7b344343922f049224d4d.png)前言SOFA内置负载均衡，支持5种负载均衡算法，随机（默认算法），本地优先，轮询算法，一致性hash，按权重负载轮询（不推荐，已被标注废弃）。一起看看他们的实现（重点还是一致性

关于推荐引擎如今的互联网中，无论是电子商务还是社交网络，对数据挖掘的需求都越来越大了，而推荐引擎正是数据挖掘完美体现；通过分析用户历史行为，将他可能喜欢内容推送给他，能产生相当好的用户体验，这就是推荐引擎。推荐算法Slopeone的原理      首先Slopeone是一种基于项目的协同过

前几天聊的“协同过滤（CollaborativeFiltering）”和“基于内容的推荐（ContentbasedRecommendation）”，都必须分析用户的历史行为数据（例如电影点击数据，职位查看数据等），针对不同的用户进行个性化推荐。如果系统没有用户的历史行为数据积累，如何实施推荐呢？今天接着用通俗的语言说说推荐算法中的“相似性推

前言在当今互联网世界，推荐系统在内容分发领域扮演着至关重要的角色。如何尽可能的提升推荐系统的推荐效果，是每个推荐算法同学工作的核心目标。在爱奇艺海外推荐业务，引入TensorFlowRanking（TFR）框架，并在此基础上进行了研究和改进，显著提升了推荐效果。本文将分享TFR框架在海外推荐业务中的实践和应用。01算法的

１基于用户的协同过滤算法：基于用户的协同过滤算法是推荐系统中最古老的的算法，可以说是这个算法的诞生标志了推荐系统的诞生。该算法在1992年被提出，并应用于邮件过滤系统，1994年被GroupLens用于新闻过滤。在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的而用户A没有接触过的物品推

目前，推荐算法部支持了主站、企业业务、全渠道等20业务线的900推荐场景，通过梳理大促运营、各垂直业务线推荐场景的共性需求，对现有推荐算法能力进行沉淀和积累，并通过算法PaaS化打造通用化的推荐能力，提升各业务场景推荐赋能效率，高效赋能业务需求。

近年来，放眼业界广告推荐领域的算法获得了长足的发展，从几篇奠定基础的序列学习、大规模图学习、在线学习&增强学习、多模态推荐问题等起步，业内算法不断迭代发展并在学术和工业场景上取得不错的应用。京东广告团队不仅在工业场景上非常重视实践，并不断为由“广告主”、“