- 博客(5)
- 收藏
- 关注
RSS订阅原创 GBDT+LR
GBDT&LR简介 协同过滤和矩阵分解存在的劣势就是仅利用了用户与物品相互行为信息进行推荐， 忽视了用户自身特征， 物品自身特征以及上下文信息等，导致生成的结果往往会比较片面。 而这次介绍的这个模型是2014年由Facebook提出的GBDT+LR模型， 该模型利用GBDT自动进行特征筛选和组合， 进而生成新的离散特征向量， 再把该特征向量当做LR模型的输入， 来产生最后的预测结果， 该模型能够综合利用用户、物品和上下文等多种不同的特征， 生成较为全面的推荐结果， 在CTR点击率预估场景下使用较为广
2020-10-30 19:44:44
141
原创 Wide&Deep
点击率预估简介 点击率预估是用来解决什么问题？ 点击率预估是对每次广告点击情况作出预测，可以输出点击或者不点击，也可以输出该次点击的概率，后者有时候也称为pClick. 点击率预估模型需要做什么？ 通过上述点击率预估的基本概念，我们会发现其实点击率预估问题就是一个二分类的问题，在机器学习中可以使用逻辑回归作为模型的输出，其输出的就是一个概率值，我们可以将机器学习输出的这个概率值认为是某个用户点击某个广告的概率。 点击率预估与推荐算法有什么不同？ 广告点击率预估是需要得到某个用户对某个广告的点击率，然后结合广
2020-10-27 19:25:57
131
原创 矩阵分解算法
矩阵分解算法 隐语义模型 核心思想：通过隐含特 征（latent factor）联系用户兴趣和物品（item）， 基于用户的行为找出潜在的主题和分类， 然后对item进行自动聚类，划分到不同类别/主题(用户的兴趣)。 对比：是把协同过滤算法进行了一种延伸， 把用户的相似性和物品的相似性通过了一个叫做隐向量的方式进行表达 如果我们知道了用户A和用户B两个用户在豆瓣的读书列表， 从他们的阅读列表可以看出，用户A的兴趣涉及侦探小说、科普图书以及一些计算机技术书， 而用户B的兴趣比较集中在数学和机器学习方面。 那么
2020-10-25 23:20:34
3186
原创 第二节 协同过滤
协同过滤算法 协同过滤（Collaborative Filtering）推荐算法是最经典、最常用的推荐算法。 所谓协同过滤， 基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品(基于对用户历史行为数据的挖掘发现用户的喜好偏向， 并预测用户可能喜好的产品进行推荐)，一般是仅仅基于用户的行为数据（评价、购买、下载等）, 而不依赖于项的任何附加信息（物品自身特征）或者用户的任何附加信息（年龄， 性别等）。目前应用比较广泛的协同过滤算法是基于邻域的方法， 而这种方法主要有下面两种算法： 基于
2020-10-22 19:41:32
134
原创 推荐系统简介
推荐系统简介 简述 推荐系统广泛应用于电子商务网站中，根据顾客的偏好推荐商品，推荐系统作为一种特殊的服务，推荐系统的使用也可以被视为一个消费过程，同样适用于进行用户满意度的测评。用户在使用一个推荐系统之前，由于先前的使用经验、其他用户对推荐系统的评价、对系统平台的信任、个人特征等因素的影响，用户会对该推荐系统产生一种期望，使用推荐系统帮助进行购物决策之后，用户对推荐系统的质量形成一个认知，对推荐系统的价值进行评价。 推荐系统产生的背景 随着互联网和电子商务规模的迅速增长，电商企业可以通过网络服务器为在线消费
2020-10-19 19:45:28
311
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人