推荐系统
文章平均质量分 87
忘川之水&
不要一味地低头拉车,还要抬头仰望生活。
展开
-
深度学习Wide&Deep模型——记忆能力和泛化能力的综合
文章目录Wide&Deep前言模型的记忆能力与泛化能力Wide&Deep模型的结构Wide&Deep前言Wide&Deep模型的主要思路正如其名,是由单层的Wide部分和多层的Deep部分组成的混合模型。其中Wide部分的主要作用、是让模型具有较强的“记忆能力”;Deep部分的主要作用是让模型具有“泛化能力”。正因为这样的结构特点,使模型间距了逻辑回归和深度神经网络的优点——能够快速处理并记忆大量历史行为特征,并且具有强大的表达能力。不仅在当时迅速成为业界争相应用的主流模原创 2021-01-30 11:43:37 · 2600 阅读 · 0 评论 -
优化算法(一)
文章目录1.Mini-batch 梯度下降(Mini-batch gradient descent)1.1 为什么需要学习优化算法?1.2 什么是 mini-batch 梯度下降法?1.3 理解 mini-batch 梯度下降法(Understanding mini-batchgradient descent)1.4 设置mini-batch的指导原则2 指数加权平均数2.1 指数加权平均数的原理10.2.2 指数加权平均数的本质10.2.3 指数加权平均的好处10.2.4 指数加权平均的偏差修正1.M原创 2021-01-05 20:56:57 · 1803 阅读 · 0 评论 -
偏差与方差总结存档(保证实用)
文章目录1:偏差与方差1.1 偏差1.2方差2.过拟合与欠拟合2.1高偏差(欠拟合)2.2高方差(过拟合)2.3当模型出现高偏差时2.4当模型出现高方差时1:偏差与方差这是一张常见的靶心图。可以想象红色靶心表示为实际值,蓝色点集为预测值。在模型不断地训练迭代过程中,我们能碰到四种情况:低偏差,低方差:这是训练的理想模型,此时蓝色点集基本落在靶心范围内,且数据离散程度小,基本在靶心范围内;低偏差,高方差:这是深度学习面临的最大问题,过拟合了。也就是模型太贴合训练数据了,导致其泛化(或通用)能原创 2021-01-05 10:40:18 · 300 阅读 · 0 评论 -
推荐系统中的评测指标
1、用户满意度(在线)只能通过用户调查或者在线实验获得,比如网站的推荐结果反馈、用户的点击率、用户停留时间和转化率指标等来衡量用户的满意度。原创 2020-12-21 20:18:52 · 644 阅读 · 1 评论 -
关联规则Apriori 流程以及思想
思想:找出频繁项集,逐层产生规则是关联规则的一个重要算法,使用基于支持度的剪枝技术,从而控制候选项集的指数级别的增长大体流程先知1.设定最小支持度和最小置信度2.扫描数据集,统计每个项的支持度计数,得到候选1项集3.计算每个项的支持度计数,筛选掉小于最小支持度的,得到频繁1项集4.合并再计算每个2项集的支持度计数得到候选2项集5.筛选掉小于最小支持度的,得到频繁2项集6.以此类推,当没有新的频繁项集产生后(即没有小于最小支持度的),迭代结束7.采用逐层的思想筛选强规则的一分钟看图转载 2020-12-15 18:45:40 · 1935 阅读 · 0 评论 -
关联规则 置信度与支持度以及Apriori算法简介
关联规则:购物篮分析,最早的出现是为了发现超市销售数据库中不同商品之间的关联关系。文章目录1.案例引入(1)啤酒与尿布的故事(2)购物篮例子2.关联分析问题定义2.1二元表示2.2项集和支持度计数2.3 关联规则2.4为什么使用支持度和置信度?2.5.1频繁项集的产生2.5.2Apriori算法未完待续1.案例引入(1)啤酒与尿布的故事“啤酒与尿布”的故事产生于20世纪90年代的美国沃尔玛超市。沃尔玛的超市管理人员分析销售数据时发现了一个令人难于理解的现象:在某些特定的情况下,“啤酒”与“尿布”两件原创 2020-12-10 18:19:45 · 24629 阅读 · 1 评论 -
长尾效应解析以及长尾效应在电商中的应用
什么是长尾效应通俗理解在正态分布中,曲线中间凸起的是“头”,两边相对平缓的部分叫做“尾”。 对于绝大部分的需求来说,都会集中在中间凸起的“头”处,但是除了“头”,还有两边长长的“尾”。不同于中间的“头”,分布在尾部的需求是个性化的,零散的,少量的需求。这部分需求,构成了一条长长的“尾巴”,所谓的长尾效应就是在于,它的数量上。将所有的非流行的市场,累加起来就会形成一个巨大的市场,甚至比主流市场还要巨大。生动例子(相信看了就明白)举个例子来说明,就拿亚马逊吧。 拿卖书来说,一般的书店,通常来说原创 2020-12-09 18:12:42 · 10554 阅读 · 0 评论 -
推荐算法之协同过滤算法详解(原理,流程,步骤,适用场景)
文章目录1.推荐算法之协同过滤算法1.0推荐系统流程推荐系统的流程是什么?1.1协同过滤推荐方法CF理论基础1.1关系矩阵相似度推荐1.1.1U-U矩阵相似度推荐-Pearson1.算法原理2.算法流程3.算法步骤4.Pearson系数存在的问题1.1.2V-V矩阵相似度推荐-cos1.算法原理2.算法流程3.算法步骤1.1.3U-V矩阵的相似度推荐1.2基于用户的CF1.算法原理2.算法流程基于用户的CF对物品的评分流程图3.算法步骤4.算法举例5.算法适用场景1.3基于物品的CF1.算法原理2.算法原理原创 2020-12-09 11:24:18 · 51123 阅读 · 5 评论 -
什么是推荐系统以及应用场景
文章目录1.1什么是推荐系统?1.2案例引入1.3为什么使用推荐系统1.4推荐系统用途和使用场景1.5推荐系统的应用场景1.6混合的推荐机制(重要)1.1什么是推荐系统?想买啤酒,通过附近的便利店,通过比较几个牌子的口碑或者价格找到自己喜欢的,扫码付款。如果你很宅,你可以打开京东或天猫超市输入啤酒关键字,然后会看到一大堆关于啤酒的商品,找到喜欢的品牌下单、付款然后等待送货上门。 上述都是用户在有明确需求的情况下,面对信息过载的时候所采用的措施。如果用户没有明确的需求?比如你今天很无聊,想下载一部电影原创 2020-12-07 10:17:01 · 4263 阅读 · 0 评论