推荐系统
文章平均质量分 85
杜小瑞
冲冲冲!!!
展开
-
推荐系统之DIN原理与实现学习
在学习今天的模型之前,可以先回顾一下前面学到的一些模型。事实上,之前学习的一些模型都有一些共同点,首先就是都将特征分为稠密和稀疏两部分分别处理,对于稀疏特征一般都会进行embedding。随后稠密的特征直接传入深度部分进行学习,而稀疏的部分得到embedding后会与稠密部分的进行连接,然后传入DNN部分进行特征交叉。最后,DNN的输出会经过sigmoid激活后得到最终输出。这次我们学习的模型DIN同样是遵循这个套路的,但是在这个模板的基础上,DIN增加了注意力机制。使得模型更加关注对于用户有比较大影响力的原创 2021-03-26 16:06:56 · 627 阅读 · 0 评论 -
推荐系统之NFM原理与实现学习
目录上一次学习了DeepFM模型,DeepFM是在经典的Wide&Deep模型的基础上将wide部分替换成了FM模型,然后将FM模型的输出结果与deep部分的输出结果并行连接,最后结合两边的输出得到最终的预测结果。而这次学习的NFM模型与DeepFM模型的不同之处在于,NFM是将FM模型和Deep部分串行连接在了一起,FM部分的输出结果经过一个特征交叉池化层后就直接作为...原创 2021-03-23 19:28:07 · 483 阅读 · 0 评论 -
推荐系统之DeepFM原理与实现学习
这是DataWhale组队学习任务三的内容,本次学习的模型是DeepFM。前面两次学习了DeepCrossing和Wide&Deep模型,这两个深度模型中DeepCrossing是只使用了深度模型,而Wide&Deep则是将深度模型和线性模型结合起来,让模型同时拥有了泛化和记忆能力。Wide&Deep模型的wide部分通过人工判断特征组合进行输入,必需十分熟悉业务才能很好的做出判断。在模型的输出部分直接将wide部分的低阶特征和deep部分学习的高阶特征组合,这样并不能很好的结合高原创 2021-03-22 00:41:14 · 225 阅读 · 0 评论 -
推荐系统之Wide&Deep原理与实现学习
DataWhale推荐系统组队学习任务二,这次学习非常经典的Wide&Deep模型。学习内容与代码均来自DataWhale社区,链接附在文末。模型原理Wide&Deep是谷歌于2016年提出的一个经典推荐系统模型,至今仍发挥着巨大的影响力。Wide&Deep模型分为单层的wide层和多层的deep层,分别为模型带来了相应的记忆能力和泛化能力。所谓记忆能力,是指模型直接学习并利用历史数据中物品或者特征的“共现频率”的能力。如简单的协同过滤模型就有比较强的记忆能力。而泛化能力是指模型原创 2021-03-18 16:12:00 · 381 阅读 · 0 评论 -
推荐系统之DeepCrossing学习
DeepCrossing是一个真正的的将深度学习应用于推荐系统的模型。在学习DeepCrossing之前,可以先了解一下另一个使用深度学习的推荐系统模型AutoRec。AutoRecAutoRec模型是一种基于自编码思想的深度学习推荐模型。我们都知道,推荐系统的数据一般都是一个用户物品的共现矩阵,我们的任务就是将这个矩阵上面缺失的数据补全。传统的协同过滤使用相似度来度量用户或者物品之间的相似性,以此来作为推荐的标准。但是这样的方法表达能力比较弱,而且由于用户物品的评分矩阵往往比较稀疏,这样的方法效果就不原创 2021-03-16 17:45:01 · 203 阅读 · 0 评论