Facebook终于在移动端推基于内容图谱的关键字搜索,可直接检索好友信息流

两年前,Facebook推出基于内容图谱的关键字搜索,让用户可以通过内容图谱的搜索在社交网络上建立起紧密的联系。从今天开始,Facebook
又对它的搜索功能做出了变革,用户已经可以通过输入关键字来搜索某一个已关注好友的信息流,而不仅仅是用户以及它的主页。而这个功能,Mark Zuckerberg 说“it is not web search”。

举一个简单例子,你的好朋友 Jesscia 最近刚刚结婚,你希望能够在 Facebook 上重新回顾下她婚礼的美好细节。当你在 Facebook 的搜索框中输入“Jesscia”时,新的搜索功能会自动为你定义相关的关键词,例如:“Jesscia wedding”或者是“Jesscia muir woods”,这些都是你的好友 Jesscia 近期的一些活动。而当你使用“Jessica
wedding”进行搜索时,会自动返回 Jesscia 在 Facebook 中发布的与结婚相关的信息。

事实上,这款功能早在二月份的时候已经悄悄在 Facebook 中进行内测,不过当时无论在网页端还是在手机端都运行缓慢。经过了长达了 8 个月的研发和改进,这个功能终于面向大众开放。

Facebook 图谱搜索功能的产品负责人 Rousseau Kazi 谈到之所以产品的研发会如此缓慢,是因为 Facebook 想要优化搜索的结果,包括推荐以及排名相关的搜索结果。同时,他也强调之所以如此重视对移动端的搜索功能进行升级,是因为:

人们需要移动,我们之所以将这个功能列为公司发展中的一个重点,是因为人们想要更强、更好、更快的移动搜索结果。

显然,在面对如此巨大的社交数据,优化搜索引擎已经成为一个迫在眉睫的事情,同时随着智能移动设备的更加普及,搜索优化能够大幅度提高人们在移动端的用户体验,让社交变得更加舒适。虽然这是一件几乎显而易见的事情,但这并不容易,事实上,除了 Facebook,基于内容图谱的搜索功能已经成为成为各大互联网公司争夺的重点,2013 年,Pinterest大幅度地扩大他们的搜索功能,当然今年做出这个努力的还有Twitter和
Instagram。

时间: 2024-11-06 11:04:24

Facebook终于在移动端推基于内容图谱的关键字搜索,可直接检索好友信息流的相关文章

Delphi APP 開發入門(七)通知與雲端推播

Delphi APP 開發入門(七)通知與雲端推播 分享: Share on facebookShare on twitterShare on google_plusone_share 閲讀次數:5131 發表時間:2014/06/18 tags: 行動開發 教學 App Delphi XE6 Android iOS Delphi APP 開發入門(六)Object Pascal 語法初探 << 前情 今天教大家使用的是通知(Notification)功能,在Delphi XE6很貼心的也將通

pushlet服务端推送

---------------------在jsp页面中加入---------------------- <% String path = request.getContextPath(); String basePath = request.getScheme()+"://"+request.getServerName()+":"+request.getServerPort()+path+"/"; %> <base href=

新闻推荐系统:基于内容的推荐算法(Recommender System:Content-based Recommendation)

因为开发了一个新闻推荐系统的模块,在推荐算法这一块涉及到了基于内容的推荐算法(Content-Based Recommendation),于是借此机会,基于自己看了网上各种资料后对该分类方法的理解,用尽量清晰明了的语言,结合算法和自己开发推荐模块本身,记录下这些过程,供自己回顾,也供大家参考~ 目录 一.基于内容的推荐算法 + TFIDF 二.在推荐系统中的具体实现技巧 正文 一.基于内容的推荐算法 + TFIDF 主流推荐算法大致可分为: 基于内容(相似度)的推荐 基于用户/物品相似度的协同过

基于内容的推荐算法

输入 输入1:包含200部电影的数据集,集合中包含两列,一列为电影的id,一列为电影的流派集合,如下图所示: 输入2:一个用户的电影兴趣记录,like字段为1表示喜欢,0表示不喜欢,如下图所示: 输出 输出1:输入1的One-Hot编码形式,类似下图所示: 输出2:根据输入2和输出1,从电影数据集中给用户推荐用户没有看过的与用户相似度最高的k个电影. 前言 基于内容的推荐算法是一种比较经典的推荐算法,应用较广,可解释性强,准确率高,尤其是当今社会信息丰富,比如文本.音频等,有比较多的内容可以利用

【读书笔记】《推荐系统(recommender systems An introduction)》第三章 基于内容的推荐

基于内容的推荐的基本推荐思路是:用户喜欢幻想小说,这本书是幻想小说,则用户有可能喜欢这本小说 两方面要求:(1)知道用户的喜好:(2)知道物品的属性 基于内容的推荐相比协同过滤方法(个人观点):协同过滤用到了大量用户的群体行为特征,两个特点,(1)要大量用户,(2)除了用户的行为之外,不需要其他信息:基于内容的推荐,需要用户和物品的额外信息,如:用户喜好.物品属性等等,但是不需要存储.处理大量的用户数据. 基于内容的推荐和基于知识的推荐没有明确界限,两者区别:前者更侧重于提取物品属性,后者更侧重

pushlet服务端推送——点对点单播(不用修改lib包)

pushlet点对点单播,在网上看 ,大家都是将包修改然后替换lib中class,其实不用不这么麻烦,java可以继承嘛,继承原来的类重写里面的方法就行,不必编译出来替换class,这样不方便修改 新建一个类,继承nl.justobjects.pushlet.core.SessionManager类,重写里面的createSession方法即可 package com.pushlet.serveToClient; import javax.servlet.http.HttpSession; im

推荐系统第5周--- 基于内容的推荐,隐语义模型LFM

基于内容的推荐 制定分类/属性的困难使用专业人员(编辑)对商品进行整理分类,但这样会产生成本和效率瓶颈受限于编辑的专业水平,编辑的意见未必能代表用户的意见分类的粒度难于控制如果商品有多个分类,很难考虑周全多维度,多规角分类编辑很难决定商品在类别里的权重 隐语义模型 LFM的前丕今生 隐语义模型的适用性 关于训练集 常见同类问题求解思路 梯度下降法的几何意义 LFM损失函数极值用梯度下降法求解 LFM中的重要参数 模型中隐特征个数梯度下降法中选取的学习速率损失凼数中的惩罚项系数lambda训练集的

Recommender Systems基于内容的推荐

基于内容的推荐的基本推荐思路是:用户喜欢幻想小说,这本书是幻想小说,则用户有可能喜欢这本小说 两方面要求:(1)知道用户的喜好:(2)知道物品的属性 基于内容的推荐相比协同过滤方法(个人观点):协同过滤用到了大量用户的群体行为特征,两个特点,(1)要大量用户,(2)除了用户的行为之外,不需要其他信息:基于内容的推荐,需要用户和物品的额外信息,如:用户喜好.物品属性等等,但是不需要存储.处理大量的用户数据. 基于内容的推荐和基于知识的推荐没有明确界限,两者区别:前者更侧重于提取物品属性,后者更侧重

一个简单的基于内容的推荐算法

最近闲下来又开始继续折腾推荐系统了,声明一下,本文只是介绍一下最基础的基于内容的推荐系统(Content-based recommender system)的工作原理,其实基于内容的推荐系统也分三六九等Orz,这里只是简单的较少一下最原始的.最基本的工作流程. 基于内容的推荐算法思路很简单,它的原理大概分为3步: 1.为每个物品(Item)构建一个物品的属性资料(Item Profile) 2.为每个用户(User)构建一个用户的喜好资料(User Profile) 3.计算用户喜好资料与物品属