[日推荐]你不理财, 财就不理你! 这3款小程序教你学会理财
作为一个“月光族”，小编我经常记不清自己的钱到底花在哪里，每个月的工资五险一金具体扣了多少， 这个月生活费超支了多少，所以到现在还是习大大关心的“困难群众”，如何才能发家致富呢？
小编最近听说，有一部分人通过这几个小程序把生活过得有滋有味哟~“困难群众”一起看过来吧~
相关分享
1
喜欢
te
tech.meituan.com
/
2024-11-02 16:22
全域用户建模在美团首页推荐的探索与实践
本文详述了全域建模技术在美团首页推荐系统的发展和演进。美团首页推荐算法团队通过多阶段递进式探索验证，在召回与排序模块引入多展位、多应用渠道的多源用户交互数据，并在落地过程中解决了美团多展位、多业务、时空场景强相关性的特点导致的严重跨域信号负迁移挑战。
无图
1
喜欢
te
tech.meituan.com
/
2024-09-09 23:47
小程序可测性能力建设与实践
美团门票业务在小程序测试中通过全面的可测性能力建设，提升了测试效率和覆盖率。本文详细介绍了如何利用缓存管理、页面跳转、自动化测试等手段进行优化，助力复杂场景下的高效测试。如果你对小程序测试和质量保障感兴趣，不妨看看这篇实战分享！
无图
1
喜欢
li
lisenhui.cn
/
2024-09-08 23:22
Java程序调用外网API时CA问题
Java 安全设置问题常常让开发者头疼，特别是与 cacerts 证书库相关的配置。本文详细解读了 Java 中的 cacerts 文件问题，帮助你排除常见错误，并提供了实用的解决方案。通过这些技巧，你可以更好地管理证书库，提升应用安全性。如果你在 Java 开发中遇到证书问题，千万不要错过！
无图
1
喜欢
te
tech.meituan.com
/
2023-07-23 12:21
美团外卖推荐关于用户新颖体验优化的技术探索
外卖场景下，用户“复购”属性强、下单频次高，既想下单老商家，也会想换换“新口味”。为更好平衡用户的复购、尝新体验，外卖推荐团队从2022年起开始持续投入，构建了外卖场景新颖性推荐的体系化解决方案。截止目前，外卖首页用户曝光新颖性累计提升19%+，新颖好评率累计提升7%+，用户新颖体验Case率累计降低18%+。本文将详细介绍外卖首页Feed用户新颖体验优化过程中面临的挑战、解决思路以及业务思考。
无图
1
喜欢
te
tech.meituan.com
/
2023-07-04 23:28
基于AI+数据驱动的慢查询索引推荐
目前，美团内部的日均慢查询数量已经超过上亿条，如何对对这些慢查询进行分析并建立合适的索引，是美团数据库研发中心面临的一项挑战。美团数据库平台研发组与华东师范大学展开了科研合作，通过基于AI+数据驱动的索引推荐，来与基于代价的方法并行地为慢查询推荐索引，以提升推荐效果。
无图
1
喜欢
te
tech.meituan.com
/
2023-07-02 23:41
交互式推荐在外卖场景的探索与应用
外卖场景的用户停留时长低于传统电商，对用户实时需求的理解和反馈有更高的要求。针对业务问题，外卖推荐团队从2021年起开始持续投入，最终摸索出了一套适用于外卖场景的交互式推荐架构和策略，并取得了较好的收益。本文详细介绍了外卖首页Feed在搭建交互式推荐时遇到的挑战和解决思路。
无图
2
喜欢
无图
1
喜欢
te
tech.meituan.com
/
2022-12-24 23:31
大规模异构图召回在美团到店推荐广告的应用
美团到店推荐广告团队在图神经网络的长期落地实践中，思考分析了场景的特点与挑战，针对性地进行了模型设计，并通过大规模训练工具及线上部署优化多次成功落地，带来了线上收入提升。本文主要介绍了大规模图召回技术在美团到店广告场景下的实践经验，包括模型设计思路、模型迭代历程、大规模训练工具以及线上部署性能优化等，希望为从事相关工作的读者带来一些启发。
无图
1
喜欢
te
tech.meituan.com
/
2022-12-24 23:31
美团外卖推荐情境化智能流量分发的实践与探索
美团外卖推荐团队在推荐算法的长期落地实践中，针对外卖业务情境化特点对排序模型进行深入探索与优化。本文介绍了面向情境化建模的“情境细分+统一模型”建模思路，通过用户行为序列建模以及专家网络两个模块的优化，实现不同场景间对信息独有性的刻画和信息共性的相互传递，进而提升全部流量效率。
无图
1
喜欢
52
www.52nlp.cn
/
2022-12-18 20:48
知识图谱增强下的智能推荐系统与应用-于敬
经过多年的推荐系统理论发展，已经产生了三代主要的推荐系统。第一代推荐系统（1995-2005），主要包括三种方法：基于内容过滤的方法、基于协同过滤的方法和混合方法，技术上主要是规则统计和机器学习。第二代推荐系统（2003-2014），主要是基于时间、位置、用户组评分等特征上下文，对这一代推荐系统的研究目前仍在进行中。第三代推荐系统的研究更侧重在基于表示学习的语义模型以及在推荐过程中会有较多的关于知识组件的使用。
无图