![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐
文章平均质量分 91
乌云风
从事过前端展示系统的开发,带领过团队从零做了搜索,经历了大数据、推荐与机器学习、深度学习以及NLP等等
展开
-
Multi-Interest Network with Dynamic Routing for Recommendation at Tmall-MIND多兴趣动态路由推荐
1:主要以前用一个向量来表示用户,但是用户往往兴趣是多样的,所以这里会用多个向量来表示用户的多个兴趣,这个重点是设计了一个提取用户多兴趣向量层,主要是基于胶囊路由机制的方法。2:特点是把用户历史行为聚类与提取用户不同的兴趣点。3:DIN可以识别用户多兴趣,但是不适合做召回,因为计算量太多,适合做排序阶段。整体架构如下:详细解释:1:定义一个元组,其中Iu是用户行为产生的一组商品,比如用...翻译 2020-01-07 16:43:08 · 2707 阅读 · 3 评论 -
解读与增加个人理解Deep Neural Networks for YouTube Recommendations YouTubeDNN推荐召回与排序
1:这个文章是youtube发表的paper,主要是将dnn应用到推荐的召回与排序中。这里主要从几张图说起,不做直接翻译,是带着讲解方式,把重点更清晰的理解出来。首先看下面这个图:这个图展示了,推荐的整体架构,从上百万级别的视频库里,通过召回,到排序,这个像漏斗一样,逐步把视频的数量级进行减少,直到展现在用户面试只有很少的几个。召回---->排序----->展现 对应的数量级 ...翻译 2019-10-24 10:58:36 · 1674 阅读 · 1 评论 -
maxMF-Nonlinear Latent Factorization by Embedding Multiple User Interests
1:经典的推荐会采用矩阵分解方式来学习用户、商品的潜在向量,并用用户与商品向量的相似度来召回商品。2:什么是maxMF?这里的maxMF区别去ALS是,它不像ALS只会有一个向量,他的前提假设是一个用户更加复杂,我们不能靠一个单纯的向量去表示用户,我们需要多个向量去表示用户,然后用一个向量去表示商品。这样我们用户与商品匹配得分就是取用户多个向量里那个最大得分作为匹配得分。而且这个模型是一个非线...翻译 2019-10-12 10:07:22 · 637 阅读 · 0 评论 -
推荐冷启动-From Zero-Shot Learning to Cold-Start Recommendation翻译与解析
本文主要是翻译了零样本学习在推荐冷启动中使用,在其中增加了部分个人说明,小编翻译论文仅为学习,如有侵权请联系小编删除博文,谢谢!概要:零样本学习与推荐冷启动在计算机视觉、推荐系统中是两大难题,一般说,这两个问题在不同社区研究中,是各自研究的。在这篇论文中,把零样本学习与冷启动作为同一个问题的两个扩展问题来看待。比如,他们都在试图对未知的分类进行预测,他们涉及两个领域,一个用于特征表示,一个用于...翻译 2019-08-19 17:37:57 · 2511 阅读 · 0 评论