推荐系统
文章平均质量分 51
hxxiaopei
这个作者很懒,什么都没留下…
展开
-
【推荐系统】 评价
推荐系统的评价方法很重要,准确提供用户的需求,尽量全的cover item,看长尾理论,目前长尾市场极具商业价值,而具体实现其价值的方法,主要依赖推荐系统。具体方式1.准确度推荐系统最常用的方式针对评分预测系统,最小误差或者均方误差针对Top-N推荐系统,recall and precision2.覆盖度推荐系统很重要任务就是解决长尾问题,能打多大比例的原创 2012-03-02 11:33:53 · 2216 阅读 · 2 评论 -
阅读resyschina推荐引擎文章感受一
1.推荐目的在于帮助用户做决策,买到更合适的东西,而促销的目的在于销售商品2.推荐帮助用户找到感兴趣但是没有想到的东西serendipity,惊喜3.首页上位置对系统的结果有重大影响,4.推荐系统和搜索的区别在于,推荐系统不需要用户进行搜索,但是需要获取用户行为5.推荐的重点转移到信息的挖掘和利用上面,比如听音乐的时间,专辑,艺术家、类别,更多的强调context信息,用户家庭,时原创 2012-03-13 11:13:19 · 8588 阅读 · 0 评论 -
阅读resyschina推荐引擎文章感受二
11.推荐引擎需要有反馈机制,最简单是CTR,如果有YES/NO的反馈更好12.了解用户关注那些主题哪些人,打开哪些链接,转过什么内容来了解用户兴趣13.item CF的优点,可以基于用户的每一次行为进行推荐,比如网页/视频,可以推荐相关的,而user CF更多的是首页推荐,第二个优点,可解释性强。 容易导致多样性不足,而user CF主要是基于用户喜好,而用户喜好是多样的,多样性会好一点原创 2012-03-15 11:52:27 · 8545 阅读 · 0 评论 -
阅读resyschina推荐引擎文章感受三
21.兴趣图谱和社交图谱的结合,利用社交数据信息,进行推荐,可以解决冷启动问题22.基于历史浏览数据和用户反馈数据的分析和计算是互联网新闻、网络广告等领域新商业模式的23.关联推荐,属于公共行为的推荐,和稳定的群体兴趣有关系,一个人的兴趣相对来讲是稳定的24.无觅网,相当于提供一个推荐引擎,各个网站均可接入,扩大网站的流量,浏览器推荐引擎也是这个样子,通过第三方方式,将互联网的web关原创 2012-03-19 14:41:21 · 7327 阅读 · 0 评论 -
推荐引擎:从搜索到发现
搜索是你明确地知道自己要找什么东西时所做的事情,而发现是你并不明确地知道一些好东西存于世上的时候,这些东西主动找到了你。 以“发现”为主要功能的网站正如雨后春笋般在互联网上崭露头角。许多公司推出了能够帮助消费者找到新网站、新唱片或者新朋友的推荐功能——不管想要什么,去互联网上都可以发现那些你闻所未闻却又注定会一见钟情的东西。 这种功能并不是互联网时代的专利。早在互联网出现之前,转载 2012-04-08 20:02:51 · 6393 阅读 · 0 评论 -
[学习笔记]学习主题模型(Topic Model)和PLSA( probabilistic latent semantic analysis)
from: http://www.hxxiaopei.com/?p=71读了著名的【Google News Personalization Scalable Online CF】,提及到针对用户聚类,利用相似用户性信息计算喜欢的news。其中包含min-hash以及plsi,产生了对plsi的兴趣。plsi是model-based 推荐算法,属于topic(aspect) mo原创 2012-05-30 21:09:43 · 68258 阅读 · 2 评论 -
推荐决策 对比user-based 和item-based推荐算法
from: http://www.hxxiaopei.com/?p=138最近在看项亮同学的推荐系统实践,整理一下思路。推荐系统,整体上有三种方式:user->user->item, 推荐与其相同兴趣的用户喜欢的item,user-baseduser->item->item, 推荐与其喜欢的item相似的item,item-baseduser->item-feature->原创 2012-06-27 12:40:15 · 21337 阅读 · 1 评论 -
tag推荐系统的关键问题以及解决方案
from: http://www.hxxiaopei.com/?p=141最近在做推荐产品,读了一些论文,客观的说,扯淡的居多,基本的思路也差不多,结合工作的情况,谈一下tag推荐的产品形态、主要问题以及如何推荐产品形态以及主要问题tag 的推荐系统,顾名思义,利用用户或者item的 tag信息进行推荐,涉及到两个产品形态:1.tag-based recommend,基于tag信息原创 2012-06-27 13:26:44 · 11675 阅读 · 0 评论