RS
关于推荐系统
lijfrank
Life is too short, recording the fragments of studying.
展开
-
Side Information-KGAT: Knowledge Graph Attention Network for Recommendation阅读笔记
Xiang Wang, Xiangnan He, Yixin Cao, Meng Liu and Tat-Seng Chua (2019). KGAT: Knowledge Graph Attention Network for Recommendation. Paper in ACM DL or Paper in arXiv. In KDD’19, Anchorage, Alaska, USA, August 4-8, 2019.@inproceedings{KGAT19,author =.原创 2020-06-28 13:05:50 · 571 阅读 · 0 评论 -
Side Information-Knowledge Graph Convolutional Networks for Recommender Systems阅读笔记
Knowledge Graph Convolutional Networks for Recommender Systems基本信息作者Hongwei Wang∗, Miao Zhao, Xing Xie, Wenjie Li, Minyi Guo†[重要作者提示]†Dr. Minyi Guo (过敏意), Zhiyuan Chair Professor, IEEE Fellow, ACM Distinguished Member标签Recommender systems; Knowledge原创 2020-06-27 16:33:49 · 1309 阅读 · 0 评论 -
使用深度学习做推荐系统-Neural Collaborative Filtering
He X, Liao L, Zhang H, et al. Neural Collaborative Filtering[C]// International Conference on World Wide Web. International World Wide Web Conferences Steering Committee, 2017:173-182.Abstract近年来,深度神经网络在语音识别,计算机视觉和自然语言处理方面取得了巨大的成功。但是,在推荐系统上对深层神经网络的探索研究相对原创 2020-06-20 01:05:56 · 1117 阅读 · 0 评论 -
推荐系统矩阵分解-基于SVD协同过滤的推荐
奇异值分解(Singular value decomposition)是一种矩阵分解技术,也是一种提取信息的方法。将一个比较复杂的矩阵用更小更简单的3个子矩阵的相乘来表示,这3个小矩阵描述了大矩阵重要的特性,可以起到降维简化数据,去除数据噪声的作用。...原创 2020-06-19 19:22:51 · 1795 阅读 · 1 评论 -
A Guide to Singular Value Decomposition for Collaborative Filtering阅读笔记
本文的方法来自:A Guide to Singular Value Decomposition for Collaborative FilteringChih-Chao MaDepartment of Computer Science, National Taiwan University, Taipei, TaiwanAbstractAs the market of electronic commerce grows explosively, it is important to provide原创 2020-06-18 11:10:19 · 433 阅读 · 0 评论 -
奇异值分解SVD
奇异值是矩阵里的概念,一般通过奇异值分解定理求得。奇异值分解是一个有着很明显的物理意义的一种方法,它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示,这些小矩阵描述的是矩阵的重要的特性。就像是描述一个人一样,给别人描述说这个人长得浓眉大眼,方脸,络腮胡,而且带个黑框的眼镜,这样寥寥的几个特征,就让别人脑海里面就有一个较为清楚的认识,实际上,人脸上的特征是有着无数种的,之所以能这么描述,是因为人天生就有着非常好的抽取重要特征的能力,让机器学会抽取重要的特征,SVD是也一个重要的方法。在机器学习领原创 2020-06-17 20:16:09 · 397 阅读 · 0 评论 -
奇异值相关
奇异值是矩阵里的概念,一般通过奇异值分解定理求得。奇异值分解是一个有着很明显的物理意义的一种方法,它可以将一个比较复杂的矩阵用更小更简单的几个子矩阵的相乘来表示,这些小矩阵描述的是矩阵的重要的特性。就像是描述一个人一样,给别人描述说这个人长得浓眉大眼,方脸,络腮胡,而且带个黑框的眼镜,这样寥寥的几个特征,就让别人脑海里面就有一个较为清楚的认识,实际上,人脸上的特征是有着无数种的,之所以能这么描...原创 2020-01-17 22:22:02 · 355 阅读 · 0 评论 -
Memory-based的CF推荐--Item-based的方法:Item-Based Collaborative Filtering Recommendation Algorithms
Badrul Sarwar, George Karypis, Joseph Konstan, and John Riedl摘要推荐系统将知识发现技术应用于在生活中针对信息、产品或服务提出个性化建议的问题。这些系统,尤其是基于k近邻协同过滤的系统,正在网络上获得广泛的成功。可用信息的巨大增长,以及最近访问Web站点的访客的数量,对推荐系统提出了一些挑战。它们是:产生高质量的推荐,每秒为数百万个用户和项目提供高质量推荐,并在数据稀疏的情况下实现更高的质量。在传统的协作过滤系统中,工作量随着系统中参与人数的增原创 2020-06-17 16:28:24 · 580 阅读 · 0 评论 -
推荐系统概述、分类
一、推荐系统的基本思想知你所想,精准推送利用用户和物品的特征信息,给用户推荐那些具有用户喜欢的特征的物品。物以类聚利用用户喜欢过的物品,给用户推荐与他喜欢过的物品相似的物品。人以群分利用和用户相似的其他用户,给用户推荐那些和他们兴趣爱好相似的其他用户喜欢的物品。二、推荐系统的数据分析1、用户个人信息(注册信息)喜好标签(勾选)上下文信息(浏览过什么,浏览记录,用户的行为习惯)2、物品内容信息(基本信息)分类标签(类别)关键词假如物品的特征和用户相匹配,即可。3原创 2020-06-17 00:01:59 · 3256 阅读 · 0 评论 -
协同过滤推荐算法简介
协同过滤(Collaborative Filtering,简称CF)推荐算法的主要功能是预测和推荐,“人以类聚,物以群分”。可以分为两类,分别是基于用户的协同过滤算法(user-based collaboratIve filtering),和基于物品的协同过滤算法(item-based collaborative filtering)。基于用户的协同过滤算法(user-based colla...转载 2019-10-19 22:14:11 · 766 阅读 · 0 评论 -
PageRank算法的简单介绍
简介PageRank,网页排名,又称网页级别、Google左侧排名或佩奇排名,是一种由根据网页之间相互的超链接计算的技术,而作为网页排名的要素之一,以Google公司创办人拉里·佩奇(Larry Page)之姓来命名。Google用它来体现网页的相关性和重要性,在搜索引擎优化操作中是经常被用来评估网页优化的成效因素之一。Google的创始人拉里·佩奇和谢尔盖·布林于1998年在斯坦福大学发明了...原创 2019-12-05 20:51:45 · 1550 阅读 · 0 评论