「思维导图」《深度学习推荐系统 - 王喆》2.3节 矩阵分解算法 - 协同过滤的进化

最新推荐文章于 2024-02-29 14:31:23 发布
最新推荐文章于 2024-02-29 14:31:23 发布
阅读量569 收藏
点赞数
分类专栏： 推荐系统
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/baidu_38492549/article/details/106625899
版权
CDnGJVLbC5
关注
专栏目录
【王喆-推荐系统】(task1)DL推荐系统架构（基础架构篇）
发现问题，并解决问题，批判性思维
09-29 2301
深度学习中 Embedding 技术在召回层的应用。作为深度学习中非常核心的 Embedding 技术，将它应用在推荐系统的召回层中，做相关物品的快速召回，已经是业界非常主流的解决方案了。不同结构的深度学习模型在排序层的应用。排序层（也称精排层）是影响推荐效果的重中之重，也是深度学习模型大展拳脚的领域。深度学习模型灵活性高，表达能力强（因此非常适合于大数据量下的精确排序）。工业界和学业界都在不断投入和迭代深度学习排序模型。
【王喆-推荐系统】模型篇-(task2)深度学习推荐系统脉络
发现问题，并解决问题，批判性思维
10-28 1166
算法工程师的工作是一个持续优化和迭代的过程，如果想要追求更好的推荐效果，我们的思路不应该只局限于某一个被成功应用的模型，而是应该把眼光放得更高、更宽，去思考这些成功的推荐模型在业界下一步的发展方向是什么？它具有“易实现”、“易落地”、“易改造”的特点，获得了业界的广泛应用。（2）其次业务场景出发，不是所有的算法都是公司的业务，现有公司的业务数据就是这样，DIEN模型是因为阿里具有强大的大数据采集处理能力平台架构，用户行为变化的能力可以完全捕捉，才能实现Attention机制深度推荐系统。
【王喆-推荐系统】(task3)深度学习基础和TensorFlow入门（基础架构篇）
发现问题，并解决问题，批判性思维
10-04 1760
学习心得 （1）回顾了从神经元学到了神经网络，再到训练神经网络的方法，以及神经网络和深度学习的关系（如下），初步学习工具Spark、TensorFlow 和 Redis的基础操作。 （2）画图神器：https://app.diagrams.net/ 文章目录学习心得往期回顾一、深度学习基础（1）神经元和点击率（2）神经网络如何学习1）前向传播2）损失函数3）梯度下降二、神经网络和深度学习的关系三、深度学习在推荐系统的应用四、资料推荐和工具4.1 书籍4.2 工具Spark、TensorFlow 和 Red
王喆《深度学习推荐系统》 推荐系统架构
weixin_42661963的博客
07-13 856
推荐系统要解决什么问题？----让每个人都用着舒心 对于用户来说，他在他此时浏览的每个软件场景下，能不能很快地获得让他感兴趣的信息，甚至会出现一些“惊喜”，让他知道，呀，这个好！ 网络的产品、信息浩如烟海，每个人的喜好还不一样，有的人根本不知道自己喜欢什么，想要什么；有的人大概知道，但是本身就很犹豫；有的人确实比较坚定（比如我就想看看机械键盘，想买一个）。 所以，一个好的推荐系统要以尽可能全覆盖的满足每一个使用这个软件或产品的人，让尽可能全的人觉得，嗯，...
【王喆-推荐系统】(task2)Sparrow麻雀推荐系统（基础架构篇）
发现问题，并解决问题，批判性思维
09-30 2127
（1）这个task先把Sparrow推荐系统跑通，一开始IDEA识别maven项目和一些包载入出现问题，最后折腾下解决了：解决：IDEA无法识别maven项目和加载包，后面的章节也是围绕这个基础推荐系统详细展开。 （2）Sparrow RecSys一共分为三个模块，分别是数据、模型和前端。其中每个部分都用业界推荐系统的主流技术，比如数据部分会用 Spark，Flink 进行样本和特征的处理，模型部分会使用 TensorFlow 训练深度神经网络、Wide&Deep、PNN 等模型。 （3）
该项目使用经典的电影推荐数据集ml-100k并基于PyTorch实现《深度学习推荐系统（王喆著）》的部分经典模型.zip
03-28
本项目可能涉及了《深度学习推荐系统》一书中介绍的几种模型，如协同过滤、矩阵分解以及神经网络模型。协同过滤是一种基于用户或物品的历史行为来预测未来偏好的方法；矩阵分解则将用户-物品评分矩阵分解为两个低秩...
使用电影推荐数据集ml-100k并基于PyTorch实现《深度学习推荐系统（王喆著）》的部分经典模型.zip
最新发布
09-22
深度学习是机器学习的一个子领域，它基于人工神经网络的研究，特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征，这些特征对于图像和语音识别、自然语言处理、医学图像分析等...
《基于深度学习的推荐系统》源码(大创项目).zip
01-12
### 文件夹下存放四个基于推荐系统的四类基础算法，含朴素贝叶斯、基于物品的协同过滤、关联推荐算法、CB推荐算法 该目录下代码文件作者均为项目创建成员 ### 代码运行需要的数据集文件存放于basicData下 本项目基础...
【王喆-推荐系统】模型篇-(task8)深度兴趣网络 DIN
发现问题，并解决问题，批判性思维
11-07 1042
学习总结 （1）对于注意力机制来说，它主要模拟了人类注意力的天性。具体到阿里的 DIN 模型上，它利用激活单元计算出用户对于不同历史商品的注意力权重，针对当前广告商品，作出更有针对性的预测。 （2）而序列模型更注重对序列类行为的模拟和预测。典型的例子是 DIEN 模型对用户购买兴趣进化过程的模拟。DIEN 模型可以应用的场景非常广泛，包括电商平台的下次购买，视频网站的下次观看，音乐 App 的下一首歌曲等等。 （3）注意力机制改变了深度学习模型对待用户历史行为“一视同仁”的弊端。而序列模型则把用户行为串联起
【王喆-推荐系统】RS整体架构和流程
发现问题，并解决问题，批判性思维
09-28 1741
这个系列是学习王喆的【深度学习推荐系统实战】时做的笔记和自己的学习总结。 文章目录零、一个栗子的引入一、学习目标和要求1.学习目标2.课前要求二、课程体系1.基础架构篇2.特征工程篇3.线上服务篇4.推荐模型篇5.效果评估篇6.前沿拓展篇三、小结Reference 零、一个栗子的引入 先从一个栗子入手，2019 年，阿里著名的千人千面系统驱动了天猫“双 11”2684 亿元的成交额。假设我们通过改进天猫的商品推荐功能，让平台整体的转化率提升 1%，那么在 2684 亿元成交额的基础上，我们就能再增加 26.
推荐系统遇上深度学习
04-27
该文档介绍了深度学习在推荐系统的方面的相关技术与应用。
京东推荐系统实践-刘思喆.pdf
09-26
挖掘用户潜在购买需求 • 缩短用户到商品的距离 • 用户需求不明确时提供参考 • 满足用户的好奇心
【王喆-推荐系统】模型篇-(task1)协同过滤CF
发现问题，并解决问题，批判性思维
10-28 1253
学习总结 （1）协同过滤是一种协同大家的反馈、评价和意见，对海量的信息进行过滤，从中筛选出用户感兴趣信息的一种推荐算法。它的实现过程主要有三步，先根据用户行为历史创建共现矩阵，然后根据共现矩阵查找相似用户，再根据相似用户喜欢的物品，推荐目标用户喜欢的物品。 （2）协同过滤处理稀疏矩阵的能力比较差，因此，矩阵分解算法被提出了，它通过分解共现矩阵，生成用户向量矩阵和物品向量矩阵，进而得到用户隐向量和物品隐向量。你可以完全把最后的结果当作用户 Embedding 和物品 Embedding 来处理。 文章目录学
【深度学习推荐系统-王喆】笔记系列 2.6 GBDT+LR——特征工程模型化的开端
鹿鹿的博客
11-08 466
【王喆-推荐系统】模型篇-(task5)wide&deep模型
发现问题，并解决问题，批判性思维
11-03 1192
学习总结 （1）实现了业界影响力非常大的深度学习模型 Wide&Deep，它是由 Wide 部分和 Deep 部分组成的。其中，Wide 部分主要是为了增强模型的“记忆能力”，让模型记住“如果 A，那么 B”这样的简单但数量非常多的规则。Deep 部分是为了增强模型的“泛化能力”，让模型具备对于稀缺样本、以及从未出现过的特征组合的预测能力。Wide&Deep 正是通过这样取长补短的方式，让模型的综合能力提升。 （2）在具体实践的时候，我们继续使用 TensorFlow 的 Keras 接口实
【深度学习推荐系统-王喆】笔记系列 2.4 逻辑回归——融合多种特征的推荐模型
鹿鹿的博客
11-07 599
读深度学习推荐系统（王喆）- 学习笔记
asdasdkhs的博客
02-29 773
之前字节leader的前同事写的书，看了不下3遍，让我对推荐系统有更系统性的认识，不得不说，大佬真牛。
《深度学习推荐系统》王喆 笔记
liuyouzhang89的专栏
10-21 1530
相比AutoRec模型过于简单的网络结构带来的一些表达能力不强的问题，Deep Crossing模型完整地解决了从特征工程、稀疏向量稠密化、多层神经网络进行优化目标拟合等一系列深度学习在推荐系统中的应用问题，为后续的研究打下了良好的基础。因为在阅读本书的过程中，在机器学习的实践方面，刚好遇到了特征稀疏的问题，所以对这里的【稀疏向量稠密化】这个方面比较感兴趣。在下面的Deep Crossing模型介绍中，其对【稀疏向量稠密化】做了具体的说明，“
深度学习-推荐系统 研读第一章（作者：王喆）
Lian_Ge_Blog的博客
03-01 1766
研读王喆先生的《深度学习-推荐系统》第一章个人总结 第一章详述重点：CF算法&SVD分解&正则化详解，略述LR，PLOY2，FM&FFM（单独详解），梯度下降（单独详解），GBDT+lr（集成学习单独详述），LS+PLM
深度学习推荐系统王喆
08-18
深度学习在推荐系统领域有着广泛的应用。下面是一些关于深度学习推荐系统的笔记： 1. 数据表示：深度学习推荐系统通常使用向量表示用户和物品，将它们映射到低维空间中。常见的方法包括使用Embedding层将用户和物品...
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