喜欢的商品怎么找到你
本文单独针对于商品推荐中的如果选取TopN商品问题做了详细的论述，大部分触发式推荐均可以按照这个方案处理，在使用以机器学习的算法融合及排序后，对用户的转化有明显的帮助。
真实的商品推荐面临的问题远远比文章抽象的复杂很多。前文也调到有很多环节需要静心思考：比如，如果不能准确快速的收集数据，那后面所有模型基本不可用。
相关分享
专心搞事业的程序员都喜欢看这5本书
你可能正在寻找一份工作，开始一份工作，留下一份工作，爱一份工作，讨厌一份工作，也许同时有很多工作。毕竟，我们将大部分时间都花在工作上。但是，你会花多少的精力改善你的工作呢？
如果你已经决定迈出第一步来发展自己的事业，那么以下是本年度最好的5本书，可以帮助你做到这一点：
无图
10个动图,你会喜欢上idea的自动补全!
IDEA 有个很牛逼的功能，那就是后缀补全（不是自动补全），很多人竟然不知道这个操作，还在手动敲代码。
这个功能可以使用代码补全来模板式地补全语句，如遍历循环语句（for、foreach）、使用 String.format() 包裹一个字符串、使用类型转化包裹一个表达式、根据判（非）空或者其它判别语句生成 if 语句、用 instanceOf 生成分支判断语句等。
无图
无图
无图
商品详情页RecyclerView与TabLayout的联动定位
要考虑两方面的交互：
1.RecyclerView滚动到一定位置，TabLayout需要指示到对应的选项
2.TabLayout点击对应的选项菜单，RecyclerView要滚动到指定位置
无图
基于 Flink 实现的商品实时推荐系统(附源码)
之前一直给大家推荐的是关于 Flink 的介绍和知识点，以及关于 Flink 里面使用这些知识点的一些简单的 demo，地址在：https://github.com/zhisheng17/flink-learning 。总的来说，现在还挺缺这种真正实战的项目分享出来，尤其是把源代码分享出来的，近期我在 GitHub 观察到一个不错的 Flink 项目，然后也和作者交流了下，于是在这里做一个分享。所以，那些平时问我有没有 Flink 项目的可以看过来了。地址在 ：
无图
无图
【机器学习PAI实战】—— 玩转人工智能之你最喜欢哪个男生？
分类问题是生活中最常遇到的问题之一。普通人在做出选择之前，可能会犹豫不决，但对机器而言，则是唯一必选的问题。我们可以通过算法生成模型去帮助我们快速的做出选择，而且保证误差最小。充足的样本，合适的算法可以透过表象的类别，进而挖掘其内在的联系、区别，找出最佳的的属性来区分每个样本的类别。所以说学习和应用机器学习的算法，要求我们必须非常了解数据实例，每个样本数据有多少个特征，哪些特征是敏感的，特征分布如何。只有充分了解数据，才能选择最合适的算法。
无图
【机器学习PAI实战】—— 玩转人工智能之商品价格预测
我们经常思考机器学习，深度学习，以至于人工智能给我们带来什么？在数据相对充足，足够真实的情况下，好的学习模型可以发现事件本身的内在规则，内在联系。我们去除冗余的信息，可以通过最少的特征构建最简单、误差最小的模型，以此将学习到的规则，逻辑应用到具体的场景中，帮助我们可以快速准确的处理某些繁琐重复的工作。
无图
投资人卧底工厂调查蓝领：他们真喜欢快手拼多多吗
了解一个群体最好的方式是融入他们，成为他们。
因为工作需要，要对蓝领群体做用户分析，看了市场上大部分研报，总觉得还缺了点什么，于是我花了一周时间混入蓝领群体中间。
整段经历给我冲击最大的，不是住所脏到发黑的墙壁、烈日下奔走的汗水、劳务的恐吓，也不是饥饿、炎热、疲惫和孤独，而是在群租房中接到的一通普通的业务电话，对方在CBD的顶级写字楼里和我聊着数亿的基金募资业务。挂完电话，我怔怔地在狭窄楼道里呆了有十几秒，两个反差极大的世界在我眼前碰撞在了一起，然后又割裂开来，让我分不清此刻哪个世界更加真实。
无图