话题公司 › 58同城

公司:58同城

关联话题: 天鹅到家

58同城(NYSE:WUBA),简称58,是一家位于中国北京市的生活服务及分类信息网站,以在地服务为主,举凡租房、招聘、交友、水电、二手交易等等,由北京五八信息技术有限公司拥有,创始人是姚劲波,成立于2005年12月12日。该网站是中文最大的生活信息网站,该网站的口号是“一个神奇的网站”。

58安全——涉政人脸识别技术实践

随着公司业务的发展,产品情况多种多样比较复杂,图像和视频在公司的多条产品线业务起着越来越重要的作用。为与政策法规权威同步,各业务线要避免出现敏感图片,公司多种场景需要接入政治人脸识别服务。比如云账号的先审后发机制,先把头像等信息统一送审至集团风控部门,进行涉政检测,审核通过后再进行展示。每天的审核量级在亿级别,只依赖人工审核难以实现。在此背景下升级开发了涉政人脸识别服务,支持运营人员自助调整审核阈值,配备有敏感人物审核库。

二进制还可以这样“玩”

二进制对我们来说既熟悉又陌生,熟悉的是我们每天都能接触到,陌生的是觉得这是个高级的玩意,我们很少有机会去使用到他。通过这篇文章我们在来温习一遍二进制。

axios源码简读

初识这个库时,第一反应,这个axios怎么读,万一读错了会不会别人笑;这样的疑问不仅我会有,后面在他的issues#802里还看到了一群人在一起讨论。高票赞同的读法是:acks--ee--oh-ss 。

改进的Wide&Deep在文本分类中的应用

语音是58同城用户之间的重要沟通媒介,58同城C端用户和B端用户之间可以通过电话(隐私通话)、网络音视频通话(微聊)建立连接,这些场景下产生的语音数据有巨大的挖掘价值。本次议题主要分享语义标签的文本挖掘技术,首先介绍使用主动学习技术解决冷启动时样本少的问题,然后对比了关键词匹配、XGBoost、TextCNN等模型的效果,最后提出了一种改进的Wide&Deep模型,在我们的场景下取得了最优效果。

Axios中的参数为啥没被完全编码

在发送请求时,axios究竟对参数是如何处理的,而有的参数为啥没被完全编码?

文本表征模型在风控场景下的应用实践

本文介绍了文本表征算法在58信安场景下的探索和实践。信息安全场景下业务种类繁多,在对用户发帖内容进行审核时,通过对文本建模得到其表征,既可以用于对文本的直接分类算法,也可以通过聚类算法快速得将文本信息归类。

特征存储及计算在CRM商机智能分配中的实践

本文介绍的是在CRM智能推荐场景中,所用到的机器学习和推荐技术的模型训练及线上预测的特征数据推送部分,我们应用此套特征推送流程而上线的模型多达几十种,获得了可观的收益。目前特征自动化推送广泛应用于黄页、招聘、创新、转转等业务场景中。

58同城-OT算法在58云视中的应用

58云视是58自研的一款音视频通话系统,目前广泛应用在面试场景中,面试场景有一项重要功能是协同编辑,下面就让来分析一下协同编辑功能的实现方案和OT算法的应用。

设计价值难量化?掌握这套方法就够了

今天介绍一套众多大厂都在践行的“以目标导向”的设计方法,看看设计师是如何在复杂的商业环境下创造价值。

对巨石应用说不:转转商业微前端qiankun历史项目迁移升级实践

对巨石应用说不:转转商业微前端qiankun历史项目迁移升级实践。

用户体验管理应用实践

用户体验经常出现在细分的场景中,靠细节让我们感知,形成感受层面和态度层面的印象和评价。参照马斯诺的需求原理,人类对安全、效率、社交以及被尊重的这些感受的满足,这就是一种体验,只是换了不同的维度来与我们打交道,属于用户体验的一些底层逻辑。

王焱:58同城流式语音识别引擎应用实践

5月20日,第十三届中国系统架构师大会(SACC2021)干货回顾。

58RN 页面秒开方案与实践

首屏时间每降低 1 s,访问流失率降低 6.9%。

WebIM原理解析

什么是IM,带你3分钟了解IM的那些事

CRM商机智能分配系统中的多目标排序算法

2020年9月,AI Lab、营销平台部(CRM)、LBG黄页业务方三方联合启动了商机智能分配项目,将CRM商机分配流程抽象为推荐/搜索场景,将传统机器学习以及深度学习算法应用于CRM系统,为每个销售人员分配适合其跟进的商机,优化成单转化,以提高销售团队业绩,进而提升业务线收入。

本文主要分享在上述场景下,精排多目标建模的方法。文章中,首先对读者需要的背景知识进行了适当补充,并阐述了选择多任务深度学习模型进行落地的原因。之后,重点介绍了场景中使用的多目标建模方法,分五个版本将建模过程中使用的多任务学习模型、损失函数、多目标排序方法、模型优化方案等进行了拆解及分享,并展示了每个阶段相比前一阶段取得的线上效果收益。

58本地服务《虚拟类目-标签》体系构建

本文介绍了58本地服务《虚拟类目-标签》体系构建的相关工作,包括虚拟类目生成、标签筛选及挂载、同义去重等内容,我们将实际业务需求转化成机器学习问题,并调研实践相关算法模型完成构建工作。通过逐步上线《虚拟类目-标签》内容,方便用户找到所需服务以提高转化率,实现业务提效的目标。

首页 - Wiki
Copyright © 2011-2024 iteam. Current version is 2.137.1. UTC+08:00, 2024-11-22 10:17
浙ICP备14020137号-1 $访客地图$