![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统实战
文章平均质量分 59
cymx66688
人生苦短,我用Python
展开
-
推荐系统实战之排序层 - Wide&Deep
Wide&Deep模型翻译成中文就是既宽又深的模型。上图的结构图中,左边部分是Wide,Wide 部分的主要作用是让模型具有较强的"记忆能力"。右边部分是Deep,主要作用是让模型具有"泛化能力"。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。实战项目中Wide&Deep 模型的 Deep 部分,就沿用了上章节介绍的 Embedding+MLP 的模型结构,来原创 2021-11-02 16:52:12 · 368 阅读 · 0 评论 -
推荐系统实战之排序层- Embedding+MLP
协同过滤算法的基本原理就是"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"。具体执行步骤如下:根据用户行为创建共现矩阵,行代表每个用户对物品的评分或是否观看浏览等行为数据,列代表每个物品在不同用户中的评分情况或是浏览情况。通过共现矩阵计算用户/物品相似度。相似度最常见的是余弦相似度,除此之外还有欧式距离、皮尔逊相关系数。根据相似用户喜欢的物品,或是目标用户浏览物品的相似物品,推荐给目标用户。代码如下:from pyspark import SparkCo原创 2021-10-27 10:27:20 · 877 阅读 · 1 评论 -
推荐系统实战之排序层-协同过滤&矩阵分解
协同过滤算法的基本原理就是"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"。具体执行步骤如下:根据用户行为创建共现矩阵,行代表每个用户对物品的评分或是否观看浏览等行为数据,列代表每个物品在不同用户中的评分情况或是浏览情况。通过共现矩阵计算用户/物品相似度。相似度最常见的是余弦相似度,除此之外还有欧式距离、皮尔逊相关系数。根据相似用户喜欢的物品,或是目标用户浏览物品的相似物品,推荐给目标用户。代码如下:from pyspark import SparkCo原创 2021-10-14 15:58:13 · 422 阅读 · 0 评论 -
推荐系统实战之召回层
今天我们来讲讲召回层。在讲召回层前,先了解下推荐系统的整体组成部分。一个工业级推荐系统的技术架构按照数据部分和模型部分展开,其中“数据和信息”部分逐渐发展为推荐系统中融合了数据离线批处理、实时流处理的数据流框架;“算法和模型”部分则进一步细化为推荐系统中,集训练(Training)、评估(Evaluation)、部署(Deployment)、线上推断(Online Inference)为一体的模型框架。基于此,我们就能总结出推荐系统的技术架构图。其中,在模型部分中最重要的就是 召回层 和 排序层。原创 2021-10-09 12:31:40 · 1098 阅读 · 0 评论 -
推荐系统实战之特征工程
这篇文章我们来讲讲推荐系统中必不可少的特征工程。用户行为数据用户行为在推荐系统中一般分为显性反馈行为(Explicit Feedback)和隐性反馈行为(Implicit Feedback)两种。 能够反映用户行为特点的隐性反馈是目前特征挖掘的重点。用户关系数据用户与用户之间可以通过“关注”“好友关系”等连接建立“强关系”,也可以通过“互相点赞”“同处一个社区”,甚至“同看一部电影”建立“弱关系”。一般是通过 Multi-hot 编码的方式将其转换成特征向量,一些重要的属性原创 2021-09-23 16:43:25 · 935 阅读 · 0 评论 -
推荐系统实战之开篇介绍
推荐系统实战系列篇是根据王喆老师在极客时间上的深度学习推荐系统实战课,并结合自己的所学所思所悟创作的,希望该系列可以跟志同道合的朋友一起探讨学习。目录列表推荐系统demo - Sparrow RecsysSparrow Recsys的功能原始数据来源Sparrow Recsys 技术架构推荐系统demo - Sparrow Recsysclone代码安装软件和环境运行推荐系统源代码放在github上 https://github.com/wzhe06/SparrowRecSys,可以通过 g原创 2021-09-18 14:27:38 · 250 阅读 · 1 评论