![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
小鹅鹅
兴趣使然
展开
-
推荐系统学习笔记之三 LFM (Latent Factor Model) 隐因子模型 + SVD (singular value decomposition) 奇异值分解
Low Rank Matrix Factorization低阶矩阵分解在上一篇笔记之二里面说到我们有五部电影,以及四位用户,每个用户对电影的评分如下,?表示未评分。 Movies\User User 1 User 2 User 3 User 4 Movie 1 5 5 0 0 Movie 2 5 ? ? 0 ...原创 2017-10-19 23:14:13 · 15433 阅读 · 0 评论 -
推荐系统学习笔记之四 Factorization Machines 因子分解机 + Field-aware Factorization Machine(FFM) 场感知分解机
前言Factorization Machines(FM) 因子分解机是Steffen Rendle于2010年提出,而Field-aware Factorization Machine (FFM) 场感知分解机最初的概念来自于Yu-Chin Juan与其比赛队员,它们借鉴了辣子Michael Jahrer的论文中field概念,提出了FM的升级版模型。 FM的paper中主要对比对象是SVM支持向原创 2017-10-23 14:32:46 · 12165 阅读 · 1 评论 -
推荐系统学习笔记之二 基于内容的推荐系统(CBRS)+Collaborative Filtering 协同过滤
基于内容的推荐系统 (CBRS)首先介绍一下最简单的一个推荐算法模型CBRS。在这个模型中我们用线性回归的基本思路拟合出每个用户对每个电影的评分向量,预测出用户没有评分的电影并进行推荐。假设我们有4个Users和5个Movies,有一些用户给电影打了分,有一些没有打。电影的评分是从0-5,没有评分的项在表格中将用?来表示。我们设定每个电影有X1X_1和X2X_2两个属性,分别是浪漫和动作,并手动给每原创 2017-10-17 16:39:03 · 2669 阅读 · 0 评论 -
推荐系统学习笔记之一 综述
在推荐系统的系列笔记中预计将会简要记录这些:一些推荐系统的基础应用:Content Based Recommendation System 基于内容的推荐系统Collaborative Filtering 协同过滤Low Rank Matrix Factorization 低阶矩阵分解以及一些更加精确不过更为复杂的模型:LFM (Latent Factor Model) 隐分子模型SVD原创 2017-10-17 11:26:08 · 2038 阅读 · 0 评论 -
XGBoost简单推导及理解
前言XGBoost的全称是eXtreme Gradient Boosting。作为一个非常有效的机器学习方法,Boosting Tree是数据挖掘和机器学习中最常用的算法之一。因为它效果好,对于输入要求不敏感,相对LR 的优势如不需要做特征的归一化,自动进行特征选择,模型可解释性较好,可以适应多种损失函数如 SquareLoss,LogLoss 等,往往是从统计学家到数据科学家必备的工具之一,...原创 2018-04-04 00:39:47 · 3058 阅读 · 0 评论