上图是一个典型的推荐系统架构。
- Query包含了 User Features, Contextual Features
- Item即被推荐的物品,常被称为Impression
- UserAction,如搜索结果是否被点击,广告是否被点击,电商物品是否被加入购物车等
电商可以说是"速度经济"的代表:消费者不但期望批量经济下的价格、大规模定制下的选择,而且希望鼠标一点、几个小时后就能送货上门。虽说不要店面,但电商的种种成本,远超一般人的想象。很多传统公司跨入电商,例如美特斯邦威、红星美凯龙、飞虎乐购,都是兴冲冲而来,没多久就仓皇撤退,一大原因就是对电商的成本估计不足。
而诸多成本中,一大块就是库存成本。从本质上看,电商是个库存系统。从总库到一级库、二级库,哪些商品该备货、备在哪一级的库、备多少,是个典型的库存计划问题。库存计划不到位,短缺与积压并存,结果是要的没有,不要的却有一大堆。有些电商缺货率动辄百分之二三十,同时呆滞库存比例高达百分之三四十,由此而来的业务损失、库存贬值、削价清仓,成本惊人。而这些问题的解决方案,则离不开库存决策的三部曲:预测、计划和补货。
什么是Mesos? 类似Linux kernel一样,是一个分布式系统Kernel,用来管理数据中心资源。他源于Google的Borg。大体思路就是master管理协调slaves,slaves是worker。每个slaves用cgroup或docker等来隔离。复杂的框架通过API和master进行资源协调。
如果你身为高富帅或者白富美,同时又是个剁手族,那你的阿里巴巴芝麻信用分一定很高。FICO评分在中国的推广一直说不上热火朝天,可是在中国有芝麻信用分的人不说上亿,起码也有几千万吧。这么广泛的客户来源,再加上支付宝的强大覆盖力,FICO评分这样的传统信用评分还有多大价值呢?会不会在不远的将来,就被芝麻信用分、腾讯征信评分取代映衬得黯然失色呢?
其实也不能一概而论。让我们先看看传统的FICO评分和芝麻信用分是如何计算出来的吧。
Kubernetes是Google开源的容器集群管理系统。它借鉴了Google内部的Borg系统的诸多概念。
本文尽量以一篇文章的篇幅讲清楚Kubernetes的大体概念及基本用法。除了Kubernetes外,我们还有别的选择,如Mesos等。
做计算广告这么久,总想总结点东西,写点干货。自己也得到了进步,朋友也得到快乐。为什么说朋友得到快乐呢?朋友们心里一般都暗笑啊:“诺诺诺,那个人哦,在顶级大公司干了那么久,居然就写出这么点垃圾来,还是小公司锻炼人…”。献丑献丑。
本着不废话的原则,今天来简要写写cookie matching,有时候也被称为cookie mapping。