![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
深度学习推荐系统
文章平均质量分 69
王喆深度学习推荐系统学习笔记
StellaLiu萤窗小语
这个作者很懒,什么都没留下…
展开
-
2021-06-05 推荐系统技术演进趋势:召回->排序->重排
推荐系统技术演进趋势:召回->排序->重排 实际的工业推荐系统,如果粗分的化,经常讲的有两个阶段。首先是召回,主要根据用户部分特征,从海量的物品库里,快速找回一小部分用户潜在感兴趣的物品,然后交给排序环节,排序环节可以融入较多特征,使用复杂模型,来精准地做个性化推荐。召回强调快,排序强调准。当然,这是传统角度看推荐这个事情。但是,如果我们更细致地看实用的推荐系统,一般会有四个环节,如下图所示:四个环节分别是:召回、粗排、精排和重排。召回目的如上所述;有时候因为每个用户召回环节返回的物品原创 2021-06-05 23:48:53 · 436 阅读 · 1 评论 -
DeepFM处理特征交叉
DeepFM处理特征交叉在训练资源有限,调参时间有限的现实情况下,MLP 对于特征交叉的处理其实还比较低效。因为 MLP 是通过 concatenate 层把所有特征连接在一起成为一个特征向量的,这里面没有特征交叉,两两特征之间没有发生任何关系。这个时候,在我们有先验知识的情况下,人为地加入一些负责特征交叉的模型结构,其实对提升模型效果会非常有帮助...原创 2021-02-24 01:41:52 · 319 阅读 · 0 评论 -
NeuralCF及双塔模型
NeuralCFNeuralCF 模型的扩展,双塔模型优势:易上线、易服务NeuralCF 的 TensorFlow 实现NeuralCF 的双塔版本协同过滤是利用用户和物品之间的交互行为历史,构建出一个像图 1 左一样的共现矩阵。在共现矩阵的基础上,利用每一行的用户向量相似性,找到相似用户,再利用相似用户喜欢的物品进行推荐。输入层是由用户 ID 和物品 ID 生成的 One-hot 向量,Embedding 层是把 One-hot 向量转化成稠密的 Embedding 向量表达,这部分就是矩阵分解中原创 2021-02-05 06:47:25 · 844 阅读 · 0 评论 -
强化学习在推荐系统中的应用
强化学习推荐系统强化学习推荐系统框架DRN 的学习过程DRN 的在线学习方法:竞争梯度下降算法一个智能体身处在不断变化的环境之中,为了达成某个目标,它需要不断作出行动,行动会带来好或者不好的奖励,智能体收集起这些奖励反馈进行自我学习,改变自己所处的状态,再进行下一步的行动,然后智能体会持续这个“行动 - 奖励 - 更新状态”的循环,不断优化自身,直到达成设定的目标。强化学习推荐系统框架强化学习推荐模型 DRN(Deep Reinforcement Learning Network,深度强化学习网络)原创 2021-02-05 05:36:36 · 1460 阅读 · 0 评论 -
Wide&Deep
Wide&DeepWide&Deep 模型的 TensorFlow 实现Wide 部分的主要作用是让模型具有较强的“记忆能力”(Memorization),而 Deep 部分的主要作用是让模型具有“泛化能力”(Generalization),因为只有这样的结构特点,才能让模型兼具逻辑回归和深度神经网络的优点,也就是既能快速处理和记忆大量历史行为特征,又具有强大的表达能力,这就是 Google 提出这个模型的动机矩阵分解算法,就是为了解决协同过滤“泛化能力”不强而诞生的。因为协同过滤只原创 2021-02-05 04:15:44 · 227 阅读 · 0 评论 -
Embedding+MLP
Embedding+MLPEmbedding+MLP 模型的实战特征选择和模型设计TensorFlow 实现对于类别特征,先利用 Embedding 层进行特征稠密化,再利用 Stacking 层连接其他特征,输入 MLP 的多层结构,最后用 Scoring 层预估结果。Feature#1 代表的是类别型特征经过 One-hot 编码后生成的特征向量,而 Feature#2代表的是数值型特征。我们知道,One-hot 特征太稀疏了,不适合直接输入到后续的神经网络中进行训练,所以我们需要通过连接到Em原创 2021-02-05 04:04:32 · 2552 阅读 · 1 评论 -
模型演进
关于模型改进的四个方向改变神经网络的复杂程度。 从最简单的单层神经网络模型 AutoRec,到经典的深度神经网络结构 Deep Crossing,它们主要的进化方式在于增加了深度神经网络的层数和结构复杂度。二是改变特征交叉方式。 这种演进方式的要点在于大大提高了深度学习网络中特征交叉的能力。比如说,改变了用户向量和物品向量互操作方式的 NeuralCF,定义了多种特征向量交叉操作的 PNN 等等。三是把多种模型组合应用。 组合模型主要指的就是以 Wide&Deep 模型为代表的一系列把不同结.原创 2021-02-05 03:28:50 · 330 阅读 · 0 评论 -
协同过滤
协同过滤用户评分的预测矩阵分解算法的原理矩阵分解算法的 Spark 实现协同过滤算法 “协同大家的反馈、评价和意见一起对海量的信息进行过滤,从中筛选出用户可能感兴趣的信息”。首先,我们可以看到,电商网站的商品库里一共有 4 件商品:一个游戏机、一本小说、一本杂志,以及一台电视机。假设,现在有一名用户 X访问了这个电商网站,电商网站的推荐系统需要决定是否推荐电视机给用户 X。为了进行这项预测,推荐系统可以利用的数据有用户 X 对其他商品的历史评价数据,以及其他用户对这些商品的历史评价数据。我原创 2021-02-05 03:11:22 · 282 阅读 · 0 评论 -
推荐阅读
推荐阅读Spark:1.大数据生态的介绍 大数据生态介绍2.写一个 Spark Hello World 程序.写一个 Spark Hello World 程序3.Spark 的机器学习库 MLlib 官方文档Spark 的机器学习库 MLlib 官方文档TensorFlow:1.TensorFlow 和最常用的接口 Keras 推荐阅读TensorFlow 和最常用的接口 Keras 推荐阅读2.利用 TensorFlow 的 Keras 接口写一个 hello world利用 Te原创 2021-02-05 01:51:49 · 133 阅读 · 0 评论 -
Sparrow Recsys
MovieLens 的数据集包括三部分,分别是 movies.csv(电影基本信息数据)、ratings.csv(用户评分数据)和 links.csv(外部链接数据)。下面,我就具体说说它们分别长什么样。1. movies.csv(电影基本信息数据)movies 表是电影的基本信息表,它包含了电影 ID(movieId)、电影名(title)、发布年份以及电影类型(genres)等基本信息。...原创 2021-02-05 01:38:43 · 653 阅读 · 0 评论 -
基础架构(一)
基础架构(一)第一部分:推荐系统的数据部分第二部分:推荐系统的模型部分Netflix 的推荐系统的经典架构图推荐系统要处理的问题就可以被形式化地定义为:对于某个用户U(User),在特定场景C(Context)下,针对海量的“物品”信息构建一个函数 ,预测用户对特定候选物品I(Item)的喜好程度,再根据喜好程度对所有候选物品进行排序,生成推荐列表的问题。第一部分:推荐系统的数据部分推荐系统的“数据部分”主要负责的是“用户”“物品”“场景”信息的收集与处理。根据处理数据量和处理实时性的不同,我们会原创 2021-02-05 01:00:19 · 162 阅读 · 0 评论