话题公司 › 贝壳

公司:贝壳

关联话题: 链家、自如

贝壳找房(Ke Holdings Inc.)又称贝壳集团,是中华人民共和国一个二手房、新房和房屋出租资讯网站,成立于2017年11月21日。该网站通过抽取成交双方的佣金来获利。2020年8月13日,贝壳集团在纽交所挂牌上市。

贝壳找房基于Flink+Paimon进行全量数据实时分组排序的实践

本文投稿自贝壳家装数仓团队,在结合家装业务场景下所探索出的一种基于 Flink+Paimon 的排序方案。这种方案可以在实时环境对全量数据进行准确的分组排序,同时减少对内存资源的消耗。

深度广度模型在用户购房意愿量化的应用

从深度广度网络的原理出发,结合贝壳业态特点,讨论其在用户购房意愿量化上的应用,并在此基础上,分享我们进一步的探索与尝试。

绝知此事要躬行-Omega特性环境

业绩流行的「测试泳道设计」目前在自如网中经由基础架构中心自研的发布系统「Omega」落地了,名为「特性环境」,但在推行业务线使用过程中实际效果并不理想。为深层次解决此问题,我们将进行调研与实践。

标签:月老手中那一根根红线

作为个性化推荐系统重要的一环,构建一个成熟、健全、相互关联的标签体系至关重要。相较于粗粒度分类,标签可以更为灵活、精准地定义人或物的多属性,宛若一根根线头,穿穿绕绕,勾连起这个世界。程序眼中万物皆对象,而在标签建设者眼中,则万物皆可有标签。

用LiveData实现新的事件总线

让LiveData解决你的后顾之忧。

Kubernetes 安全风险加固手册

随着 Kubernetes 的广泛应用,安全风险也逐渐凸显出来。本文将从 Cloud、Cluster、Container 角度出发,以一种由下至上的方式,列举 Kubernetes 的安全风险,并提供相应的加固建议。

Electron应用开发实践

本文将带你了解Electron框架并编写出你的第一个跨平台桌面应用程序。

基于Milvus的向量搜索实践(二)

本篇主要讲针对低延时、高吞吐需求,对Milvus部署方式的一种定制方案。

贝壳搜索平台实时流总体架构设计

2018年贝壳公司战略调整,业务量及业务复杂度有较大增长。面对新的挑战,搜索团队对整个搜索平台进行了重构,针对旧系统的一些问题,主要从可配置,异步化,并发,可扩展,全链路追踪,业务隔离等方面进行了优化。

fastText的源码,看这一篇就够了!

想知道文本分类新秀fastText内部到底怎么实现的吗?戳进来一探究竟吧!

读“懂”用户找房需求:贝壳语义解析技术实践

为什么在贝壳找房APP能够找到更好的房子?语义解析是其中非常重要的一环,本文就为你详细介绍语义解析在贝壳找房的相关工作。

贝壳搜索为什么能知道你想住哪?

为什么?茫茫宇宙中,贝壳搜索就能知道你想住哪。其实,在NLP中,NER(命名实体识别)是很多应用的关键一步。该技术在贝壳找房也已被广泛应用,比如智能搜索、智能问答、智能推荐等。本文就为你详细介绍我们的实践。

ElasticSearch相关性计算原理及实践

本文结合ES在贝壳找房的房源搜索、小区搜索、看点信息流等应用的实践经验,介绍ES的相关性计算原理,以及如何对相关性调优。

一镜到底:FM们的原理及在贝壳搜索的实践

FM(因子分解机)作为CTR预估的经典方法,在深度学习时代又有了新的创新,本文带你抽丝剥茧地看看FM及其变体的原理,同时结合贝壳搜索真实数据,对比了不同模型之间的差别。

数据增强在贝壳找房文本分类中的应用

有监督的深度学习极大地依赖大规模的标注数据,在实际项目中,我们通常会面临少样本、样本分布不均衡等场景。因此,如何运用数据增强技术来改善上述问题是近年来的热点问题之一。

DST在贝壳咨询助手中的应用

本文主要介绍DST在贝壳咨询助手的探索,包括业务背景、咨询助手架构图、DST服务架构、以及我们对DST的的一些探索。

Accueil - Wiki
Copyright © 2011-2024 iteam. Current version is 2.137.1. UTC+08:00, 2024-11-09 09:26
浙ICP备14020137号-1 $Carte des visiteurs$