运行第一个推荐引擎

最新推荐文章于 2024-04-17 12:13:45 发布
最新推荐文章于 2024-04-17 12:13:45 发布
阅读量943 收藏
点赞数 1
分类专栏： 推荐系统理论 文章标签： 数据 推荐引擎 GroupLens mahout
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Gold_Spring/article/details/45133317
版权

引言

Mahout包含一个推荐引擎，其中有几种类型实际来自于传统的基于用户和基于物品的推荐程序。它也包含了其他几个算法实现，但是现在我们先看一个简单的基于用户的推荐程序。
这里写图片描述

目录

  1. 创建输入
  2. 创建一个推荐程序
  3. 分析输出
  4. 评估一个推荐程序
  5. 训练数据与评分
  6. 运行RecommenderEvaluator
  7. 评估结果
  8. 评估查准率和查全率
  9. 运行RecommenderIRStatsEvaluator
  10. 评估GroupLens数据集

1、创建输入

推荐程序需要有输入——构成推荐的基础数据。在Mahout语言中，数据是以偏好（preference）的形式来表达的。因为最常见的推荐引擎总是把项目推荐给用户，所以谈论偏好最简便的方法是建立从用户到物品的关联，尽管如前所述，这些用户和物品是可以任意指定的。一个偏好包含一个用户ID、一个物品ID，通常还有一个表达用户对物品的偏好程度的数值。实际上，Mahout中的ID通常也为数字——整数。偏好值（preference value）可任意设定，只需保证更大的值代表更强的正向偏好。例如，这些可能按1到5来定级，其中1表示用户非常不喜欢该物品·，而5表示物品是用户的挚爱。
复制下面的示例到一个文件中并将之保存为为intro.csv:

代码清单 推荐程序的输入文件intro.csv:

1,101,5.0
1,102,3.0
1,103,2.5

2,101,2.0
2,102,2.5
2,103,5.0
2,104,2.0

3,101,2.5
3,104,4.0
3,105,4.5
3,107,5.0

4,101,5.0
4,103,3.0
4,104,4.5
4,106,4.0

5,101,4.0
5,102,3.0
5,103,2.0
5,104,4.0
5,105,3.5
5,106,4.0

2、创建一个推荐程序

那么，可以为用户1推荐什么书呢？不是101、102和103,因为用户1显然已经知道这些书了，而推荐是用来发现新事物的。直观看，既然用户4和用户5与用户1类似，那么把用户4或用户5喜欢的东西推荐给用户1是个好主意。这样一来，可能的推荐结果就是书104、105和106。

现在，运行如下代码：

package com.jay.mahoutinaction;

import java.io.File;
import java.util.List;

import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.neighborhood.NearestNUserNeighborhood;
import org.apache.mahout.cf.taste.impl.recommender.GenericUserBasedRecommender;
import org.apache.mahout.cf.taste.impl.similarity.PearsonCorrelationSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.neighborhood.UserNeighborhood;
import org.apache.mahout.cf.taste.recommender.RecommendedItem;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;

class RecommenderIntro {
    private RecommenderIntro(){

    }

    public static void main(String[] args) throws Exception {
        // TODO Auto-generated method stub
        //装载数据文件
        DataModel model=new FileDataModel(new File("d:\\intro.csv"));
        UserSimilarity similarity=new PearsonCorrelationSimilarity(model);
        UserNeighborhood neighborhood=new NearestNUserNeighborhood(2,similarity,model);
        //生成推荐引擎
        Recommender recommender=new GenericUserBasedRecommender(model,neighborhood,similarity);
        List<RecommendedItem> recommendations =recommender.recommend(1,1);//为用户1推荐物品1

        for(RecommendedItem recommendation:recommendations)
            System.out.println(recommendation);

    }

}

现在对每个组件的角色做个概览。DataModel实现存储并为计算机提供其所需要的偏好、用户和物品数据。UserSimilarity实现给出两个用户之间的相似度，可从多个可能度量或计算中选出一种来作为依据。UserNeighborhood实现明确了与给定用户最相似的一组用户，最后，Recommender实现合并所有这些组件为用户推荐物品。

3、分析输出

我的IDE（集成开发环境）输出如下结果：

15/04/19 23:08:56 INFO file.FileDataModel: Creating FileDataModel for file d:\intro.csv
15/04/19 23:08:57 INFO file.FileDataModel: Reading file info...
15/04/19 23:08:57 INFO file.FileDataModel: Read lines: 21
15/04/19 23:08:57 INFO model.GenericDataModel: Processed 5 users
RecommendedItem[item:104, value:4.257081]

从数据中不能一眼看出答案，但是推荐引擎找到了它的踪迹，并返回一个合理的答案。这个简单的程序找到了一个不易发现的有用结果，如果你为此感到欢欣鼓舞，那就表示机器学习的世界很适合我！
对于干净的小数据集，生成推荐结果就像前面的示例一样简单。但是现实中，数据集往往非常庞大，而且其中很多信息没有价值。例如，假设一个受欢迎的新闻网站要为读者推荐新闻文章。可以根据文章点击率推断出偏好，但也可能会产生很多假的偏好——或许读者点击了并不喜欢的文章，或错误地点击了一个故事。或许很多点击发生在未登录的状态下，因而不能与某个用户进行对应。再试想一下数据的大小——也许每个月的点击量有几十亿次。
要在数据之上快速生成准确的推荐结果并不简单。后面的案例研究中，我将使用Mahout提供的工具解决一组这样的问题。他们会为你呈现标准的方法会如何导致糟糕的推荐结果，或是耗费大量的内存和CPU时间，同时展示如何配置和定制Mahout来提高性能。

4、评估一个推荐程序

推荐引擎是一种工具，一种解决问题的手段。“什么是对用户最好的推荐？”最佳的推荐程序应该就像一个“巫师”，它能够在你行动之前设法准确地获得你喜欢的每一种可能的物品，而且这些物品是你尚未见过或没有对其表达喜好意见的。能够准确预测你所有喜好和行为的推荐程序还应该按您未来的喜好把物品进行排队。最优的潜在推荐结果应该是这样的。
而实际上，大多数推荐引擎仅会试图给出某些或其他所有物品的估计评分。由此，一种评分推荐程序推荐结果的方法是评估其估计偏好值的质量——即评估所估计的偏好在多大程度上与实际偏好相匹配的。

5、训练数据与评分

但是，没有现成的实际偏好值可用。没有人能够确切知道你将来有多喜欢某些东西（包括你自己）。在推荐引擎中，这可以通过提取一小段真实数据作为测试数据来仿真。这些用来测试的偏好不会作为训练数据导入到被评估的推荐引擎。相反，推荐程序需要为这些缺失的测试数据估计出偏好，然后估计结果用于与真实值进行对照。进而，我们可以为推荐程序做出一种评分。例如，可以计算出在估计和实际偏好之间的平均差值。在这种评分中，值越低越好，因为值越低意味着估计值和实际值之间的差别越小。有时，会使用差值的均方根：计算出实际偏好值与估计值之间的差值之后，先进行平方再求其均值的平方根。

6、运行RecommenderEvaluator

配置并评估一个推荐程序：

package com.jay.mahoutinaction;

import java.io.File;

import org.apache.mahout.cf.taste.common.TasteException;
import org.apache.mahout.cf.taste.eval.RecommenderBuilder;
import org.apache.mahout.cf.taste.eval.RecommenderEvaluator;
import org.apache.mahout.cf.taste.impl.eval.AverageAbsoluteDifferenceRecommenderEvaluator;
import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.neighborhood.NearestNUserNeighborhood;
import org.apache.mahout.cf.taste.impl.recommender.GenericUserBasedRecommender;
import org.apache.mahout.cf.taste.impl.similarity.PearsonCorrelationSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.neighborhood.UserNeighborhood;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;
import org.apache.mahout.common.RandomUtils;


class EvaluatorIntro {

      private EvaluatorIntro() {
      }

      public static void main(String[] args) throws Exception {
        RandomUtils.useTestSeed();
        DataModel model = new FileDataModel(new File("d:\\intro.csv"));

        RecommenderEvaluator evaluator =
          new AverageAbsoluteDifferenceRecommenderEvaluator();
        // Build the same recommender for testing that we did last time:
        RecommenderBuilder recommenderBuilder = new RecommenderBuilder() {

          public Recommender buildRecommender(DataModel model) throws TasteException {
            UserSimilarity similarity = new PearsonCorrelationSimilarity(model);
            UserNeighborhood neighborhood =
              new NearestNUserNeighborhood(2, similarity, model);
            return new GenericUserBasedRecommender(model, neighborhood, similarity);
          }
        };
        // Use 70% of the data to train; test using the other 30%.
        double score = evaluator.evaluate(recommenderBuilder, null, model, 0.7, 1.0);
        System.out.println(score);
      }
    }

输出结果：

15/04/20 08:37:30 INFO file.FileDataModel: Creating FileDataModel for file d:\intro.csv
15/04/20 08:37:30 INFO file.FileDataModel: Reading file info...
15/04/20 08:37:30 INFO file.FileDataModel: Read lines: 21
15/04/20 08:37:30 INFO model.GenericDataModel: Processed 5 users
15/04/20 08:37:30 INFO eval.AbstractDifferenceRecommenderEvaluator: Beginning evaluation using 0.7 of FileDataModel[dataFile:d:\intro.csv]
15/04/20 08:37:30 INFO model.GenericDataModel: Processed 5 users
15/04/20 08:37:30 INFO eval.AbstractDifferenceRecommenderEvaluator: Beginning evaluation of 3 users
15/04/20 08:37:30 INFO eval.AbstractDifferenceRecommenderEvaluator: Starting timing of 3 tasks in 4 threads
15/04/20 08:37:30 INFO eval.AbstractDifferenceRecommenderEvaluator: Average time per recommendation: 54ms
15/04/20 08:37:30 INFO eval.AbstractDifferenceRecommenderEvaluator: Approximate memory used: 6MB / 30MB
15/04/20 08:37:30 INFO eval.AbstractDifferenceRecommenderEvaluator: Unable to recommend in 6 cases
15/04/20 08:37:30 INFO eval.AbstractDifferenceRecommenderEvaluator: Evaluation result: 1.0
1.0

分析：大多数行为发生在evaluate（）中：RecommenderEvaluator将数据分为训练集和测试集，构建一个新训练的DataModel与Recommender用于测试，并将估计的偏好值与实际测试数据进行比较。
注意：传递给evaluate（）的参数中没有Recommender。这是因为在该方法中，Recommender是有新训练的DataModel来构建的。该方法的调用者必须提供一个对象——RecommenderBuilder,可以使用DataModel构建出Recommender。这里，该方法所用的是和之前所述相同的实现。

7、评估结果

一个显示Recommender表现如何的分数。在这个例子中，你会看到1.0这个值。即使evaluator在选择测试数据时引入许多随机量，结果仍是相同的，因为对RandomUtils.useTestSeed（）调用会强制每次选择相同的随机量。这仅仅是为了获得可重复的结果，而被用在这样的示例或单元测试中。请不要在实际代码中这样用！！！
这个分值的意义取决于所采取的实现方法，这里是AverageAbsoluteDifferenceRecommenderEvaluator。在该实现中分值是1.0，这意味着平均而言推荐程序所给出的估计值与实际值的偏差为1.0。
在从1到5的区间中，1.0这个值不大，但我们这里只采用了非常少的数据。你来执行时所获得的结果也许会不同，因为对数据集的分片是随机的，而且程序每次运行所用的训练集和测试集也不可能一样。
这个技术可以应用与任何Recommender和DataModel。如果要使用均方根来评分，可以用RMSRecommenderEvaluator取代AverageAbsoluteDiffercenceRecommenderEvaluator。
你可以选择不向evaluate（）传递null（空）参数，而是传递DataModelBuilder的一个实例（instance）,它可以用于控制如何从训练数据中生成DataModel。通常默认为传空参数就够了，除非你使用了一个特殊的DataModel实现——一个你希望插入到评估过程中的DataModelBuilder。
最后传递给evaluate（）参数1.0用来控制总共使用多少输入数据的。这里，它是指100%的数据。这个参数可用于仅通过庞大数据集中的很小部分数据，来生成一个精度较低但更快的评估。例如，0.1代表使用10%的数据，而90%的数据被忽略。当你希望快速测试Recommender中一些小的更改时这个参数会很有用的。

8、评估查准率和查全率

我们还应该更全面地看待推荐问题：通过估计偏好值来生成推荐结果并非绝对必要。给出一个从优到劣排列的推荐列表对于许多场景都够用了，而不必包含估计的偏好值。事实上，有时精确的列表顺序也不要那么重要——有几个好的推荐结果就可以了。
从这种更普遍的视角，我们可以运用经典的信息检索（information retrieval）度量标准来评估推荐程序：查准率（precision）和查全率（recall）。这些术语通常用在像搜素引擎这样的系统中，即从许多可能的搜素结果中返回一组最佳结果。
搜索引擎应该避免在top结果中返回无关信息， 而应竭力返回尽可能相关的结果。在一些对“相关”的定义中，查准率是指在top结果中相关结果的比例。Precision at 10（推荐10个结果时的查准率）是指这个比例来自对前10个top结果的判定。查全率是指所有相关结果包含在top结果中的比例。
这些术语很容易用在推荐程序中：查准率是top推荐中间有“好”结果的比例，而查全率是“好”结果出现在top推荐中的比例。

运行ReommenderIRStatsEvaluator

Mahout同样提供了一个相对简单的方法，为Recommender计算出这些值，如下面的代码：

package com.jay.mahoutinaction;

import java.io.File;

import org.apache.mahout.cf.taste.common.TasteException;
import org.apache.mahout.cf.taste.eval.IRStatistics;
import org.apache.mahout.cf.taste.eval.RecommenderBuilder;
import org.apache.mahout.cf.taste.eval.RecommenderIRStatsEvaluator;
import org.apache.mahout.cf.taste.impl.eval.GenericRecommenderIRStatsEvaluator;
import org.apache.mahout.cf.taste.impl.model.file.FileDataModel;
import org.apache.mahout.cf.taste.impl.neighborhood.NearestNUserNeighborhood;
import org.apache.mahout.cf.taste.impl.recommender.GenericUserBasedRecommender;
import org.apache.mahout.cf.taste.impl.similarity.PearsonCorrelationSimilarity;
import org.apache.mahout.cf.taste.model.DataModel;
import org.apache.mahout.cf.taste.neighborhood.UserNeighborhood;
import org.apache.mahout.cf.taste.recommender.Recommender;
import org.apache.mahout.cf.taste.similarity.UserSimilarity;
import org.apache.mahout.common.RandomUtils;

class IREvaluator {
    private IREvaluator(){

    }

    public static void main(String[] args) throws Exception {
        // TODO Auto-generated method stub
        RandomUtils.useTestSeed();
        DataModel model=new FileDataModel(new File("d:\\intro.csv"));
        RecommenderIRStatsEvaluator evaluator=new GenericRecommenderIRStatsEvaluator();
        RecommenderBuilder recommenderBuilder =new RecommenderBuilder(){
            public Recommender buildRecommender(DataModel model) throws TasteException{
                UserSimilarity similarity =new PearsonCorrelationSimilarity(model);
                UserNeighborhood neighborhood=
                        new NearestNUserNeighborhood(2,similarity,model);
                return 
                        new GenericUserBasedRecommender(model,neighborhood,similarity);

            }
        };

        IRStatistics stats=evaluator.evaluate(recommenderBuilder, null, model, null, 2, GenericRecommenderIRStatsEvaluator.CHOOSE_THRESHOLD, 1.0);
        System.out.println(stats.getPrecision());
        System.out.println(stats.getRecall());

    }

}

输出结果：

15/04/20 10:10:32 INFO file.FileDataModel: Creating FileDataModel for file d:\intro.csv
15/04/20 10:10:32 INFO file.FileDataModel: Reading file info...
15/04/20 10:10:32 INFO file.FileDataModel: Read lines: 21
15/04/20 10:10:32 INFO model.GenericDataModel: Processed 5 users
15/04/20 10:10:32 INFO model.GenericDataModel: Processed 5 users
15/04/20 10:10:33 INFO eval.GenericRecommenderIRStatsEvaluator: Evaluated with user 2 in 21ms
15/04/20 10:10:33 INFO eval.GenericRecommenderIRStatsEvaluator: Precision/recall/fall-out/nDCG: 1.0 / 1.0 / 0.0 / 1.0
15/04/20 10:10:33 INFO model.GenericDataModel: Processed 5 users
15/04/20 10:10:33 INFO eval.GenericRecommenderIRStatsEvaluator: Evaluated with user 4 in 1ms
15/04/20 10:10:33 INFO eval.GenericRecommenderIRStatsEvaluator: Precision/recall/fall-out/nDCG: 0.75 / 1.0 / 0.08333333333333333 / 1.0
0.75
1.0

10、评估GroupLens数据集

GroupLens（http://goruplens.org）是一个研究项目，提供多个大小不同的数据集，每个都来自真实用户对电影的评分。它是几个可用的大规模真实数据集中的一个，以后还会给你介绍更多的数据集。
在GroupLens网站上，将下载的文件解压，在其中找到名为ua.base的文件。这是一个 以制表符（tab）分隔的文件，包含用户ID、物品ID、评分（偏好值），以及一些附加信息。
这个文件的字段用制表符分隔，而不是逗号，结尾还包含一个额外的信息字段。它可用吗？是的，这个文件可用于FileDataModel。回到运行RecommenderEvaluator的程序代码，创建一个RecommenderEvaluator，然后把ua.base的位置传递给他，而不是传递一个小数据文件。再次运行，这次评估会花上几分钟，因为现在是基于100 000个偏好值，而不是少数几个。
最终，你会得到一个大约为0.9的值。

修改运行RecommenderEvaluator的下面代码段：

 DataModel model = new FileDataModel(new File("d:\\ua.base"));

运行输出结果：

15/04/20 10:54:08 INFO file.FileDataModel: Creating FileDataModel for file d:\ua.base
15/04/20 10:54:08 INFO file.FileDataModel: Reading file info...
15/04/20 10:54:09 INFO file.FileDataModel: Read lines: 90570
15/04/20 10:54:09 INFO model.GenericDataModel: Processed 943 users
15/04/20 10:54:09 INFO eval.AbstractDifferenceRecommenderEvaluator: Beginning evaluation using 0.7 of FileDataModel[dataFile:d:\ua.base]
15/04/20 10:54:09 INFO model.GenericDataModel: Processed 943 users
15/04/20 10:54:09 INFO eval.AbstractDifferenceRecommenderEvaluator: Beginning evaluation of 939 users
15/04/20 10:54:09 INFO eval.AbstractDifferenceRecommenderEvaluator: Starting timing of 939 tasks in 4 threads
15/04/20 10:54:09 INFO eval.AbstractDifferenceRecommenderEvaluator: Average time per recommendation: 91ms
15/04/20 10:54:09 INFO eval.AbstractDifferenceRecommenderEvaluator: Approximate memory used: 36MB / 56MB
15/04/20 10:54:09 INFO eval.AbstractDifferenceRecommenderEvaluator: Unable to recommend in 348 cases
15/04/20 10:54:23 INFO eval.AbstractDifferenceRecommenderEvaluator: Evaluation result: 0.9041450777202074
0.9041450777202074
Gold_Spring
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探
wenyusuran的专栏
12-12 1569
在用户对自己需求相对明确的时候，用搜索引擎很方便的通过关键字搜索很快的找到自己需要的信息。但搜索引擎并不能完全满足用户对信息发现的需求，那是因为在很多情况下，用户其实并不明确自己的需要，或者他们的需求很难用简单的关键字来表述。又或者他们需要更加符合他们个人口味和喜好的结果，因此出现了推荐系统，与搜索引擎对应，大家也习惯称它为推荐引擎。   用户获取信息的方式从简单的目标明确的数据的搜索转换到更
Egret引擎开发指南之运行项目
01-20
这是一个令人兴奋的小结，因为在这个小结中你终于能够看到你的第一个Demo的运行效果。 1.使用Egret工具运行游戏 运行Egret项目，我们需要一个已运行的HTTP服务器。在前面安装Egret的教程中，我们已经为大家推荐了一...
推荐引擎知识点
08-27
推荐引擎知识点 一张图表将清晰的展示推进引擎的知识点
推荐引擎
做一个有目标的人
04-26 405
推荐引擎 一、背景 假设某个app的首页推荐，有2个策略产品经理、6个算法RD、2个工程RD协同工作，如果没有一套可视化的策略执行流程，沟通将非常低效，且对接容易出错，达不到想要的效果。 其次推荐系统一般可抽象出几个核心流程： 获取用户画像+用户过滤列表 召回 排序 重排 人工运营 这些核心流程可抽成公共组件，配置在流程中，减少很多工作量。 二、方案设计 1、设计思路 打造统一的推荐引擎框架，各环节组件化、配置化 基础组件复用，利用基础组件快速组合上线 推荐流程白盒化，业务方可自行
reco4php:基于Neo4jPHP推荐引擎框架
05-14
该库强加了一种特殊的推荐引擎体系结构，该体系结构是从我们构建推荐引擎的经验中得出的，并解决了通过Cypher远程运行推荐引擎的体系结构挑战。 作为回报，它处理所有管道，因此您只编写特定于用例的推荐业务逻辑。...
基于camunda源代码编译运行流程引擎
02-22
发布流程模型是使用Camunda的第一个步骤，涉及到以下操作： 1. 设计并创建BPMN流程模型文件。 2. 通过REST API或Camunda管理界面上传流程模型文件。 3. 验证流程模型的有效性。 ##### 4.2 查询流程定义 查询流程...
RecommendationEngine:图工具包和推荐引擎
06-08
推荐引擎 ... 第一个 API 是 GraphToolkit 类。 该工具包包含最终用户可能想要运行的各种图形算法。 完整列表是：BFS、DFS、拓扑排序、Kosaraju's、Bellman-Ford Single Source Shortest Path、Floyd-
几种不同的推荐引擎比较
weixin_30897079的博客
05-11 214
以前也用了一些推荐算法写过一些应用，最近用上了网易云音乐，于是便想写篇推荐引擎的文章。 一.推荐引擎 主动发现用户当前或潜在需求，并主动推送信息给用户的信息网络。挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的对象。 二.推荐引擎的分类 1.基于人口统计学的推荐 根据用户的基本信息发现用户的相关程度，然后把相似用户喜爱的其他物品推荐给当前用户。 ...
一文说明白推荐引擎
02-08 1270
​ 推荐引擎是什么？ 综合利用用户的行为、属性，对象的属性、内容、分类，用户对内容或商品的喜好，以及用户之间的社交关系等等，挖掘用户的喜好和需求，主动向用户推荐其感兴趣或者需要的内容和商品。 输出 为用户推荐其感兴趣或者需要的对象 数据源 用户:行为、属性 对象:属性、内容、分类用户、对象间:偏好 用户间:社交关系、信任 处理 挖掘用户喜好 推荐引擎工作原理图 将推荐引擎看作.
推荐引擎—概述
li8zi8fa的博客
07-26 894
最近在看推荐系统相关的资料，发现一篇很棒的概述文章，于是整理出了这篇个人笔记【转载、引用请注明出处】。原文在这里：推荐引擎初探 1、概念：相对于“搜索引擎”而存在的另外一种信息发现技术。搜索引擎，用户借助于网络通过输入关键词获取自己感兴趣的信息。但是，诚如乔布斯所言，大多数用户并不知道自己想要什么，直到你把它摆在他或她的面前，于是推荐引擎就产生了。这当然是优雅的说法，推荐引擎的产生原因还包括信息
得物推荐引擎 - DGraph
SmartCodeTech的博客
08-29 1790
随着得物业务规模的不断增加，推荐业务也越来越复杂，对推荐系统也提出了更高的要求。我们于2022年下半年启动了DGraph的研发，DGraph是一个C++项目，目标是打造一个高效易用的推荐引擎。推荐场景的特点是表多、数据更新频繁、单次查询会涉及多张表。了解这些特点，对于推荐引擎的设计非常重要。通过阅读本文，希望能对大家了解推荐引擎有一定帮助。为什么叫DGraph？因为推荐场景主要是用x2i(KVV)表推荐为主，而x2i数据是图(Graph)的边，所以我们给得物的推荐引擎取名DGraph。
推荐引擎调研
woaitingting1985的博客
05-31 852
1 什么是推荐引擎 推荐引擎是机器学习服务的一种，将复杂推荐系统所需的机器学习功能以SaaS的方式提供，让用户可以通过提供活动流（页面浏览、注册、购买等等），以及要推荐的项目（如文件、产品、视频或音乐）的清单获得定制化的推荐结果。 推荐引擎和推荐业务需求的关系，用下图简单示意： 推荐引擎可以理解为将推荐业务需求抽象为一个数学函数求解的过程。这样抽象出的函数就称之为算法。用户根据自身的业务需求和数据特点选择所需应用的算法，通过输入学习样本数据，训练算法，迭代参数后找到效果最好的一个函数...
（推荐引擎）实现基础工程
xhj_enen的博客
03-20 258
推荐引擎模块 接收请求 处理请求 返回结果
第 5 章 构建推荐引擎
最新发布
weixin_44259522的博客
04-17 462
当 x 为0时，sin(x)/x 变成0/0不定式，因此需要计算该函数在 x 无。(16) 第二幅输出图像展示了用KNN分类器获得的边界，如图5-7所示。(12) 如图5-5所示的输出图像展示了测试数据点和3个最近邻的位置。(10) 第二幅图像展示了用KNN回归器预测到的值，如图5-11所示。(7) 运行该代码，可以看到命令行工具中显示了3个用户，如图5-12所。(10) 运行代码，可以在命令行工具中看到如图5-1所示的输出结果。(11) 运行代码，可以在命令行工具中看到如图5-2所示的输出结果。
构建基于Spark的推荐引擎
陌涂
08-21 748
推荐引擎背后的想法是：预测人们可能喜好的物品并通过探寻物品之间的联系来辅助这个过程．从这点上来说，它和同样也做预测的搜索引擎互补．但与搜索引擎不同，推荐引擎试图向人们呈现的相关内容并不一定就是人们所搜索的，其返回的某些结果甚至人们都没听说过． 一般来讲，推荐引擎试图对用户与某类物品之间的联系建模．应用不限于电影，书籍或是产品，也同样适用于用户与物品关系或社交网络中用户与用户之间的关系． 推荐引...
推荐引擎算法学习导论：协同过滤、聚类、分类(2011年旧文)
热门推荐
结构之法 算法之道
01-05 9万+
推荐引擎算法学习导论：协同过滤、聚类、分类 作者：July 出处：结构之法算法之道 引言 昨日看到几个关键词：语义分析，协同过滤，智能推荐，想着想着便兴奋了。于是昨天下午开始到今天凌晨3点，便研究了一下推荐引擎，做了初步了解。日后，自会慢慢深入仔细研究（日后的工作亦与此相关）。当然，此文也会慢慢补充完善。 本文作为对推荐引擎的初步...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值