我的机器学习入门之路(下)——知识图谱、推荐、广告

继上一篇《我的机器学习入门之路(中)——深度学习(自然语言处理)》,这一篇博客主要记录了我对知识图谱、推荐和广告等方向的一些涉猎与基础学习。

 

一、知识图谱

从自然语言处理到知识图谱,是一个很自然和直接的应用。知识图谱的内容非常多,因为没有做过相应的项目,所以我也只是学习和了解为主。主要包括两部分:理论学习、实践教程。

1、理论学习部分

什么是知识图谱?:https://mp.weixin.qq.com/s/XgKvh63wgEe-CR9bchp03Q

一个不错的知识图谱入门系列教程:http://pelhans.com/2018/03/15/xiaoxiangkg-note1/

为什么需要知识图谱?什么是知识图谱?:https://blog.csdn.net/u011801161/article/details/78733954

NLP 与知识图谱的对接:https://zhuanlan.zhihu.com/p/26295332

2、实践相关

项目实战:如何构建知识图谱:https://mp.weixin.qq.com/s/cL1aKdu8ig8-ocOPirXk2w

美团大脑:知识图谱的建模方法及其应用:https://tech.meituan.com/2018/11/01/meituan-ai-nlp.html

 

二、推荐系统

首先推荐看一本书:项亮的《推荐系统实践》,看完可以对推荐系统有一个比较全面的认识和了解。

推荐一般可分为召回和排序两个阶段,在入门之后,就可以开始分别学习一些经典的模型与方法了。

1、召回

推荐系统中的召回算法--协同过滤:https://blog.csdn.net/weixin_41362649/article/details/89055808

推荐系统召回四模型之:全能的FM模型:https://zhuanlan.zhihu.com/p/58160982

推荐系统召回四模型之二:沉重的FFM模型:https://zhuanlan.zhihu.com/p/59528983

2、排序

学习排序 Learning to Rank:从 pointwise 和 pairwise 到 listwise,经典模型与优缺点:https://blog.csdn.net/lipengcn/article/details/80373744

机器学习算法-L2R进一步了解:https://jiayi797.github.io/2017/09/25/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E7%AE%97%E6%B3%95-L2R%E8%BF%9B%E4%B8%80%E6%AD%A5%E4%BA%86%E8%A7%A3/

浅谈Learning to Rank中的RankNet和LambdaRank算法:https://zhuanlan.zhihu.com/p/68682607

Deep Neural Network for YouTube Recommendation论文精读:https://zhuanlan.zhihu.com/p/25343518

简单易学的深度学习算法——Wide & Deep Learning:https://blog.csdn.net/google19890102/article/details/78171283

推荐系统资料集合链接:https://www.jianshu.com/p/2b1246858e6f

3、冷启动问题

推荐系统理论(三) -- 冷启动问题:https://www.jianshu.com/p/62e5171c85bc

4、其它

推荐系统从入门到接着入门:https://zhuanlan.zhihu.com/p/27502172

21天搭建推荐系统:实现“千人千面”个性化推荐:https://yq.aliyun.com/articles/39629

知乎推荐页 Ranking 构建历程和经验分享:https://www.infoq.cn/article/g95hu67a4WheikGu*w9K

推荐系统--完整的架构设计和算法(协同过滤、隐语义):https://juejin.im/post/5d75ad14f265da03c02c2827

今日头条推荐算法原理全文详解:https://lusongsong.com/info/post/9829.html

 

三、广告

主要是CTR预估的一些资源

广告点击率预估是怎么回事?:https://zhuanlan.zhihu.com/p/23499698

传统ctr预估:https://hxhlwf.github.io/posts/dl-traditional-ctr-models.html

基于深度学习的ctr预估模型集合:https://daiwk.github.io/posts/dl-dl-ctr-models.html

主流CTR预估模型的演化及对比:https://zhuanlan.zhihu.com/p/35465875

机器学习算法评价指标之group auc(gauc):https://blog.csdn.net/hnu2012/article/details/87892368

广告CTR预估中预测点击率的校准:https://zhuanlan.zhihu.com/p/35580375

面向稀有事件的 Logistic Regression 模型校准:http://vividfree.github.io/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/2015/12/15/model-calibration-for-logistic-regression-in-rare-events-data

 

计算广告和推荐系统之间的区别和联系,大家可以看看下面这个知乎问题中,大佬们的回答。

计算广告与推荐系统有哪些区别?:https://www.zhihu.com/question/19662693

 

学习完上面这些之后,应该能算是入了个门了,之后将继续深入学习并及时分享~

 

我的微信公众号:帕尼尼古

欢迎关注~

 

 

 

 

 

发布了132 篇原创文章 · 获赞 34 · 访问量 7万+
展开阅读全文

没有更多推荐了,返回首页

©️2019 CSDN 皮肤主题: 编程工作室 设计师: CSDN官方博客

分享到微信朋友圈

×

扫一扫,手机浏览