- 博客(4)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 推荐系统（四）：Wide&Deep
点击率点击率指系统推荐items时，用户的点击比率。通过这个数据来反映出推荐项目的准确率。点击率预估与推荐算法有什么不同？广告点击率预估是需要得到某个用户对某个广告的点击率，然后结合广告的出价用于排序；而推荐算法很多大多数情况下只需要得到一个最优的推荐次序，即TopN推荐的问题。当然也可以利用广告的点击率来排序，作为广告的推荐。Wide & Deep模型的“记忆能力”与“泛化能力”Memorization 和 Generalization是推荐系统很常见的两个概念，其中Memorizati
2020-10-27 20:56:48
285
原创 推荐系统（三）：矩阵分解和FM
矩阵分解在推荐算法中，常常使用的就是协同过滤算法。针对于该算法存在的相关问题除了未使用user与items的信息进行交互式推荐以及他们自身的隐含信息外。还存在着矩阵稀疏性的问题。针对于协同过滤算法中遇到的矩阵稀疏性的问题我们提出了一种方法及矩阵分解。从协同过滤中衍生出矩阵分解模型(Matrix Factorization,MF)或者叫隐语义模型, 两者差不多说的一个意思， 就是在协同过滤共现矩阵的基础上， 使用更稠密的隐向量表示用户和物品， 挖掘用户和物品的隐含兴趣和隐含特征， 在一定程度上弥补协同过滤
2020-10-25 16:28:03
859
原创 推荐系统（二）：协同过滤
协同过滤协同过滤算法是诞生最早，最为基础的推荐算法。该算法是通过对用户的历史浏览以及历史评分等信息通过计算相似度来发现用户对于某一类项目的偏好的算法。目前应用比较广泛的协同过滤算法是基于邻域的方法， 而这种方法主要有下面两种算法：基于用户的协同过滤算法(UserCF): 给用户推荐和他兴趣相似的其他用户喜欢的产品基于物品的协同过滤算法(ItemCF): 给用户推荐和他之前喜欢的物品相似的物品不管是UserCF还是ItemCF算法， 非常重要的步骤之一就是计算用户和用户或者物品和物品之间的相似度，
2020-10-22 08:59:52
3739
原创 推荐系统（一）:概述
推荐系统（一）:概述一、推荐算法的理解如果说互联网的目标就是连接一切，那么推荐系统的作用就是建立更加有效率的连接，推荐系统可以更有效率的连接用户与内容和服务，节约了大量的时间和成本。如果把推荐系统简单拆开来看，推荐系统主要是由数据、算法、架构三个方面组成。数据提供了信息。数据储存了信息，包括用户与内容的属性，用户的行为偏好例如对新闻的点击、玩过的英雄、购买的物品等等。这些数据特征非常关键，甚至可以说它们决定了一个算法的上限。算法提供了逻辑。数据通过不断的积累，存储了巨量的信息。在巨大的数据量与数据
2020-10-19 23:36:42
722
3.贝叶斯分类器--贝叶斯网络与朴素贝叶斯分类器.pptx
2019-09-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人