05 facebook熱門標簽排行(facebook怎么帶標簽？)

域一直處于世界領先地位，一百多年來幫助無數的人們留住美好回憶、交流重要信息以及享受娛樂時光。

58 Dell戴爾

1984年由邁克爾?戴爾創立，他是目前計算機業內任期最長的首席執行官。戴爾公司通過首創的革命性"直線訂購模式"，與大型跨國企業、說什么部門、教育機構、中小型企業以及個人消費者建立直接聯系。戴爾公司是首個向客戶提供免費直撥電話技術支持，以及第二個工作日到場服務的計算機供應商。這些服務形式現在已成為全行業的標準。

59 AT&T美國電話電報

擁有125年多的AT&T 歷史悠久，以優良品質和可靠的通信技術聞名于世。憑借其實力雄厚的AT&T實驗室的不斷研究開發，其在電話業務、Inter買粉絲業務以及聲訊和數據業務等方面在世界獨占鰲頭。

60 Canon佳能

佳能是全球領先的生產影像與信息產品的綜合集團。自1937年成立以來，經過多年不懈的努力，佳能已將自己的業務全球化并擴展到各個領域。佳能總部位于日本東京，并在美洲、歐洲、亞洲及日本設有4大區域性銷售總部，在世界各地擁有子公司203家，雇員約93,000人。2002年，佳能公司實現凈銷售額245.01億美元及凈收入15.89億美元，雙雙刷新其歷史新高。

61 Fedex聯邦快遞

聯邦快遞公司的服務范圍涵蓋占全球國民生產總值百分之九十的區域，能在24到48個小時之內，提供門到門、代為清關的國際快遞服務。公司無與倫比的航線權及基礎設施使其成為全球最大的快遞公司，向214個國家及地區提供快速、可靠、及時的快遞運輸服務。聯邦快遞每個工作日運送的包裹超過310萬個，其在全球擁有超過138,000名員工、42,969個投遞點、643架飛機和43,000輛車輛。

62 Merrill Lynch美林證券

美林證券是世界領先的金融管理與買粉絲公司之一，在36個國家建立了分支機構，管理的資產達1.1萬億美元。作為投資銀行，它是全球領先的債務和股權證券保險商，并為世界范圍內的企業、說什么、公共機構以及個人提供戰略買粉絲服務。美林的投資經理人帶領公司成為世界最大的金融資產管理人之一。

63 Motorola摩托羅拉

成立于1928年。摩托羅拉提供的集成通信和嵌入式電子解決方案在全球居于領先地位。是一家具有高度原則性和道德標準的國際化公司。 是全球第一的嵌入處理器生產商，這使摩托羅拉成為行業的技術領先者。

64 Colgate高露潔

成立于1806年，以生產牙膏開始事業。1890年，高露潔走出美國本土拓展全球業務。1953年，在與棕欖公司合并后，正式使用高露潔棕欖(Colgate-Palmolive)公司名稱。如今，經過近200年的風雨歷程，它生產的個人護理用品已經銷售到世界200多個國家和地區，成為銷售額達94億美元的全球消費品公司。

65 Jpmorgan摩根大通

摩根大通有著輝煌的歷史，它是美國現代金融業“教父”，一度充當過美國中央銀行的角色。1870年，JP摩根向法國說什么大膽提供了1000萬英鎊的貸款，建立了為各國說什么擔任融資顧問的地位。

66 Cis買粉絲思科

思科系統公司是全球領先的互聯網設備供應商。它的網絡設備和應用方案將世界各地的人、計算設備以及網絡聯結起來，使人們能夠隨時隨地利用各種設備傳送信息。思科公司向客戶提供端到端的網絡方案，使客戶能夠建立起其自己的統一信息基礎設施或者與其他網絡相連。

67 SAP全球

總部位于德國沃爾多夫市SAP公司，是全球最大的企業管理軟件及協同商務解決方案供應商、全球第三大獨立軟件供應商。目前，全球有120多個國家的超過19,300家用戶正在運行著60,100多套SAP軟件。財富 500強80%以上的企業都正在從SAP的管理方案中獲益。SAP在全球50多個國家擁有分支機構，并在多家證券交易所上市，包括法蘭克福和紐約證交所。

68 Chanel夏奈爾

1913年在法國巴黎創立夏奈爾，是一個有80多年經歷的著名品牌，夏奈爾時裝永遠有著高雅、簡潔、精美的風格，善于突破傳統。每個女人在夏奈爾的世界里總能找到合適自己的東西

69 BP

三大石油商中最強調綠色環保的bp,其清新可人的VI系統幾乎讓人難以聯系到他們原是生產銷售燃料的企業。技術創新、人本主義以及對環保問題保持難得的關注，令bp面貌與別不同，這一瞇單單看其出版特《Frontiers》便可見一斑。

70 Icrc國際紅十字

紅十字標志是全世界通行的一種特殊標志，是被世界各國說什么承認的國際人道主義保護標志。它是為戰時醫療與救助活動人員的設施而確定的保護性標志，標志的使用長期被國際承認并具有法律效力。

71 Merck默克

默克公司一家國際上居于領先地位的藥品研制與營銷的跨國集團公司，15年里連續，默克公司被《財富》雜志評為全美十大最受推崇的公司之一。

72 Sun

自 Sun Microsystems, Inc. (Nasdaq: SUNW) 在 1982 成立之初起，Sun 所持的一個觀點 - 網絡就是計算機[tm] - 已促使 Sun 成為啟用網絡的工業用硬件、軟件和服務的領先供應商。在 170 多個國家和萬維網上均可以找到 Sun 的身影。

73 Swatch 斯沃琪

創意是斯沃琪的最大本錢，它永不停止對創意的追求，在小小的手表上，它重新探索并創造了人們對時間的感受。但過于變化多端的斯沃琪卻開始感受到了一種困惑，似乎是足足二十年的萬變已讓消費者麻木，今年上半年業績下滑應該是一個信號。

74 Pfizer輝瑞

輝瑞公司為人類及動物的健康發現、開發、生產和推廣各種領先的處方藥以及許多世界最馳名的消費產品。輝瑞創新的、具有高附加值的產品不但改

推薦算法簡介

寫在最前面：本文內容主要來自于書籍《推薦系統實踐》和《推薦系統與深度學習》。

推薦系統是目前互聯網世界最常見的智能產品形式。從電子商務、音樂視頻網站，到作為互聯網經濟支柱的在線廣告和新穎的在線應用推薦，到處都有推薦系統的身影。推薦算法是推薦系統的核心，其本質是通過一定的方式將用戶和物品聯系起來，而不同的推薦系統利用了不同的方式。

推薦系統的主要功能是以個性化的方式幫助用戶從極大的搜索空間中快速找到感興趣的對象。因此，目前所用的推薦系統多為個性化推薦系統。個性化推薦的成功應用需要兩個條件：

在推薦系統的眾多算法中，基于協同的推薦和基于內容的推薦在實踐中得到了最廣泛的應用。本文也將從這兩種算法開始，結合時間、地點上下文環境以及社交環境，對常見的推薦算法做一個簡單的介紹。

基于內容的算法的本質是對物品內容進行分析，從中提取特征，然后基于用戶對何種特征感興趣來推薦含有用戶感興趣特征的物品。因此，基于內容的推薦算法有兩個最基本的要求：

下面我們以一個簡單的電影推薦來介紹基于內容的推薦算法。

現在有兩個用戶A、B和他們看過的電影以及打分情況如下：

其中問好（?）表示用戶未看過。用戶A對《銀河護衛隊 》《變形金剛》《星際迷航》三部科幻電影都有評分，平均分為 4 .7 分 （ (5+4+5 ) / 3=4.7 ）；對《三生三世》《美人魚》《北京遇上西雅圖》三部愛情電影評分平均分為 2.3 分 （ ( 3十2+2 ) /3=2.3 ）。現在需要給A推薦電影，很明顯A更傾向于科幻電影，因此推薦系統會給A推薦獨立日。而對于用戶B，通過簡單的計算我們可以知道更喜歡愛情電影，因此給其推薦《三生三世》。當然，在實際推薦系統中，預測打分比這更加復雜些，但是其原理是一樣的。

現在，我們可以將基于內容的推薦歸納為以下四個步驟：

通過上面四步就能快速構建一個簡單的推薦系統。基于內容的推薦系統通常簡單有效，可解釋性好，沒有物品冷啟動問題。但他也有兩個明顯的缺點：

最后，順便提一下特征提取方法：對于某些特征較為明確的物品，一般可以直接對其打標簽，如電影類別。而對于文本類別的特征，則主要是其主題情感等，則些可以通過tf-idf或LDA等方法得到。

基于協同的算法在很多地方也叫基于鄰域的算法，主要可分為兩種：基于用戶的協同算法和基于物品的協同算法。

啤酒和尿布的故事在數據挖掘領域十分有名，該故事講述了美國沃爾瑪超市統計發現啤酒和尿布一起被購買的次數非常多，因此將啤酒和尿布擺在了一起，最后啤酒和尿布的銷量雙雙增加了。這便是一個典型的物品協同過濾的例子。

基于物品的協同過濾指基于物品的行為相似度（如啤酒尿布被同時購買）來進行物品推薦。該算法認為，物品A和物品B具有很大相似度是因為喜歡物品A的用戶大都也喜歡物品B。

基于物品的協同過濾算法主要分為兩步：

基于物品的協同過濾算法中計算物品相似度的方法有以下幾種：

（1）基于共同喜歡物品的用戶列表計算。

此外，John S. Breese再其論文中還提及了IUF（Inverse User Frequence，逆用戶活躍度）的參數，其認為活躍用戶對物品相似度的貢獻應該小于不活躍的用戶，應該增加IUF參數來修正物品相似度的公式：

上面的公式只是對活躍用戶做了一種軟性的懲罰， 但對于很多過于活躍的用戶， 比如某位買了當當網80%圖書的用戶， 為了避免相似度矩陣過于稠密， 我們在實際計算中一般直接忽略他的興趣列表， 而不將其納入到相似度計算的數據集中。

（2）基于余弦相似度計算。

（3）熱門物品的懲罰。

此外，Kary pis在研究中發現如果將ItemCF的相似度矩陣按最大值歸一化， 可以提高推薦的準確率。 其研究表明， 如果已經得到了物品相似度矩陣w， 那么可以用如下公式得到歸一化之后的相似度矩陣w'：

歸一化的好處不僅僅在于增加推薦的準確度，它還可以提高推薦的覆蓋率和多樣性。一般來說，物品總是屬于很多不同的類，每一類中的物品聯系比較緊密。假設物品分為兩類——A和B， A類物品之間的相似度為0.5， B類物品之間的相似度為0.6， 而A類物品和B類物品之間的相似度是0.2。 在這種情況下， 如果一個用戶喜歡了5個A類物品和5個B類物品， 用ItemCF給他進行推薦， 推薦的就都是B類物品， 因為B類物品之間的相似度大。 但如果歸一化之后， A類物品之間的相似度變成了1， B類物品之間的相似度也是1， 那么這種情況下， 用戶如果喜歡5個A類物品和5個B類物品， 那么他的推薦列表中A類物品和B類物品的數目也應該是大致相等的。 從這個例子可以看出， 相似度的歸一化可以提高推薦的多樣性。

那么，對于兩個不同的類，什么樣的類其類內物品之間的相似度高，什么樣的類其類內物品相似度低呢？一般來說，熱門的類其類內物品相似度一般比較大。如果不進行歸一化，就會推薦比較熱門的類里面的物品，而這些物品也是比較熱門的。因此，推薦的覆蓋率就比較低。相反，如果進行相似度的歸一化，則可以提高推薦系統的覆蓋率。

最后，利用物品相似度矩陣和用戶打過分的物品記錄就可以對一個用戶進行推薦評分：

基于用戶的協同算法與基于物品的協

很赞哦!（4165）