Hearst Newspapers:透過雲端機器學習與讀者深度互動

對新聞出版商而言,讓讀者能夠在數位內容上快速且精準取得感興趣的文章和廣告非常重要。以全球最大的大眾媒体出版商之一 ── Hearst 媒體集團旗下的新聞部門 Hearst Newspapers 來說,要將內容妥善分類,曾是非常艱鉅的過程。他們平均每天要分類 3,000 篇新文章,標記和分類都非常耗時,而且編輯團隊為了趕上進度,常常不得不將某些內容優先排序處理,而某些文章不予分類。

繼續閱讀 “Hearst Newspapers:透過雲端機器學習與讀者深度互動”

如何在 TensorFlow 內建立推薦系統:部署推薦系統 (四)

本文是教學系列的第四部分,教您如何在 TensorFlow 和 Cloud ML Engine 實行 machine learning (ML) 推薦系統。這個部分教導您如何在 GCP 上部署生產系統,並針對產品提供建議和定期更新推薦模型。

這個教學系列包括以下部分:

繼續閱讀 “如何在 TensorFlow 內建立推薦系統:部署推薦系統 (四)”

如何在 TensorFlow 部署推薦系統:在 Google Analytics (分析) 的資料上應用 (三)

本文是一系列教學的第三部分,向您展示如何利用 Google Cloud Platform(GCP) 中的 TensorFlowCloud Machine Learning Engine 實作機器學習 (ML) 推薦系統。本文將會介紹如何利用 Google Analytics 360 收集的數據,透過 TensorFlow 建模做到網站的內容推薦。 繼續閱讀 “如何在 TensorFlow 部署推薦系統:在 Google Analytics (分析) 的資料上應用 (三)”

如何在 TensorFlow 部署推薦系統:訓練和調校 Cloud ML Engine (二)

本文是多教程系列的第二部分,將展示如何透過 TensorFlowCloud ML Engine 部署機器學習 (ML) 推薦系統。在這個單元中,您將學習到:如何使用 GCP 中的 Cloud ML Engine 來訓練推薦系統,並調整其中的超參數。 繼續閱讀 “如何在 TensorFlow 部署推薦系統:訓練和調校 Cloud ML Engine (二)”

如何在 TensorFlow 部署推薦系統:建立模型 (一)

本文是系列教程中的第一部分,將向您展示如何在 Google Cloud Platform (GCP) 中使用 TensorFlowCloud ML Engine 來實踐機器學習 (ML) 的推薦系統。而這個部分會介紹如何在開發系統上安裝 TensorFlow 模型程式碼並在 MovieLens 的資料集上執行模型。

本教程的推薦系統使用加權交替最小平方 (WALS) 演算法,而 WALS 包含於 TensorFlow 程式庫中的 contrib.factorization package,採用大型矩陣因式分解對用戶和項目做評分。更多 WALS 相關的資訊,請參閱概述 繼續閱讀 “如何在 TensorFlow 部署推薦系統:建立模型 (一)”