jediael_lu的专栏

文章目录1、概述1.1 基于路径的相似度1.2 基于随机游走的相似度1、概述在基于图的推荐方式中，数据可以用图的形式表示。左边的数据点表示用户的集合，右边的数据表表示物品的集合，这些点通过线连接，线上的数据是用户对物品的评分。用户到物品的路径长度可以用于预估用户对物品的评分；用户和用户（或者物品和物品）之间的路径长度可以用于预估用户（或者物品）的相似度。基于图的推荐得到的传递关联可以通过2...

文章目录1 概述1.1 基于分解的方法1.1.1 分解相似度矩阵：特征值分解1.1.2 分解评分矩阵：奇异值分解(SVD)1.1.3 SVD、SVD++、时间敏感模型1.2 基于邻域的学习方法2 SVD与LFM2.1 基本原理2.2 计算逻辑及优化目标2.3 优化方法2.4 关于SVD和LFM3、SVD++4 时间敏感的因子模型1 概述基于模型的方法也叫做基于学习的方法，通过定义一个参数模型来...

文章目录1、概述1.1 基于用户的协同过滤与基于物品的协同过滤的比较1.2 用户行为数据1.3 数学符号约定2、基于用户的协同过滤2.1 基本原理2.2 数学描述2.3 回归与分类3、基于物品的协同过滤3.1 基本原理3.2 数学描述3.3 哈利波特问题4、基于邻域方法的要素4.1 评分标准化4.1.1 均值中心化4.1.2 Z-score标准化4.2 相似度的计算4.2.1 常用的相似度4.2...

点击率预估算法：FFM@(计算广告)[计算广告]点击率预估算法FFM1FM1 背景11 线性模型12 二项式模型2 FM21 FM基本原理22 数据分析23参数个数24 计算时间复杂度25 梯度26 训练时间复杂度2FFM1 背景及基本原理2模型与最优化问题21 模型22 最优化问题23 自适应学习率24 FFM算法的最终形式3完整算法流程31 计算梯度32

1逻辑回归1 sigmoid函数2 极大似然估计MLE与损失函数3 梯度下降4 另一种形式的损失函数及其梯度2FOBOS与RDA1 FOBOS基本原理2 L1-FOBOS3 RDA基本原理4 L1-RDA3FTRL1 从L1-FOBOS和L1-RDA推导FTRL2 FTRL权重更新的最终形式3 学习率4 工程实现计算过程41 一些定义42 FTRL算法4FTRL的工

主要内容来源于facebook的论文：Practical Lessons from Predicting Clicks on Ads at Facebook》1、基本思路使用GBDT根据用户特征转换生成新的特征，每棵树的每个叶子均作为一个特征，然后将这些特征代入LR。举个例子：（1）训练GBDT树：我们现在m个样本，总共有6000个标签，将这些样本用于训练GBDT，生成10棵树，每

一、资料目前的很多资料均是基于张伟楠的FNN模型，但还没有很大规模的应用。另一种是google提出的wide & deep learning模型，主要用于推荐，美团的文章中也有介绍。Deep Learning over Multi-Field Categorical Data: A Case Study on User Response Prediction