Netflix 推荐系统 (Part One)-排序算法

本文总结了Netflix推荐系统的技术细节,包括Matrix Factorization和Restricted Boltzmann Machines等算法在排名阶段的应用,强调了Accuracy、Diversity和Awareness三大目标。Netflix的推荐系统由retriver和ranker组成,使用各种数据源如用户评分、流播放事件和元数据等,并考虑多种模型如线性回归、梯度提升决策树等进行排序。
摘要由CSDN通过智能技术生成

这一系列的文章是关于netflix techblog的推荐系统相关文章的总结。大部分内容来自netflix-techblog:recommendations

按照时间顺序,最早的关于推荐系统的文章发表于2012年.

Netflix Recommendations: Beyond the 5 stars (Part 1)

Netflix Recommendations: Beyond the 5 stars (Part 1)

最早在2006年,Netflix举办了一个名叫Netflix Prize的比赛,用来征集movie rating prediction算法。最终, Matrix Factorization和Restricted Boltzmann Machines (RBM)算法在比赛中取得了最好的结果。Netflix把这两个算法用到了自己的产品中。
Netflix在这篇blog中阐述了推荐算法的重要性以及他们为什么要使用推荐算法,但我们忽略这一部分,只阐述技术相关的问题。

从用户进入首页开始,Netflix就开始在各种地方使用推荐系统,以使用户尽可能获得个性化的体验。Netflix的推荐系统有这些目标:

  • Accuracy:这是一般推荐系统都有的预测准确度的目标
  • Diversity:在家庭使用的场景,多样性
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值