Deepcrossing
前言
deep croosing 是第一个用于把深度学习用于推荐系统的网络。
模型主要由 embedding层、stacking 层、Multiple Residual Units 层、Scoring 层组成。
一、embedding 层
该层主要是将高维稀疏的特征进行转化成低维稠密特征。
二、stacking 层
将embedding层的低维稠密特征进行拼接操作
三、Multiple Residual Units 层
Multiple Residual Units 层 通过残差网络将各个维度的特征进行深层次的交叉,从而增加模型的表达能力。
四、Scoring 层
该层主要
推荐系统简介
目前对于推荐系统没有一点点基础,感觉还是先做一个基本的了解,并且顺带着学习一些简单的网络结构吧
一、推荐系统的应用场景[1]
搜索引擎尝试给人推荐信息。最常见的情况有淘宝商品推荐、美团商家推荐、头条新闻推荐、豆瓣电影推荐、抖音快手视频推荐等。现实中商品多种多样,质量也是参差不齐,存在很明显的长尾效应,好的推荐意味着让用户更快的发现感兴趣的商品、事务。推荐系统的目的:推荐系统将从有关您的某种数据开始,以弄清您的个人品味和兴趣。然后,它将有关您的数据与其他所有人(如您)的集体行为进行合并,以推荐您可能喜欢的东西。
二、用户数据收集
2.1 显示的数据
要求用户评分、或者给出赞同或者不赞同意见
2.2 隐示的数据
从用户和站点的交互来判断用户对某商品是否感兴趣
三、推荐系统基本模型
3.1 基于内容过滤
3.2 协同过滤
四、推荐系统的基本架构
4.1 候选人产生
4.2 计分
4.3 重排名
推荐的基本流程包含:数据预处理、模型训练、调参、后处理、评估
[1]: https://zhuanlan.zhihu.com/p/146969346