![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
文章平均质量分 95
Jin_Kwok
QS TOP100 硕士研究生学历,CSDN博客专家,曾在阿里、微软等公司重要项目中担任技术负责人或核心研发成员。
展开
-
白话 Transformer 原理-以 BERT 模型为例
深入解读 Transformer 底层原理,结合大量生动的案例和图例推演,如同白话,阐述 Transformer 相关的多头注意力机制(Multi-Head Attention)、位置编码(Positional Encoding)、前馈神经网络(Feed Forward Neural Network)、Softmax等环节。同时详细解读了模型预训练、微调、运行的原理。原创 2024-01-30 19:58:57 · 1013 阅读 · 0 评论 -
推荐系统(十一):推荐系统中的 Embedding
推荐系统中的 Embedding转载 2023-07-26 21:03:02 · 1742 阅读 · 1 评论 -
推荐系统(十)用户行为序列建模-Pooling 路线
用户历史行为是非常重要的信息。基于丰富、不同用户差异大、随时间不断变化的行为数据,如何有效利用这些信息,挖掘出用户隐藏在行为背后的真正兴趣,从而将其准确表达出来,既能体现出不同用户的差异性,又能捕捉到用户兴趣随着时间的变化,对推荐效果非常关键。原创 2023-07-25 16:51:13 · 1747 阅读 · 0 评论 -
推荐系统(九)SENet 双塔模型在推荐领域召回粗排的应用
在推荐领域,双塔模型是粗排/召回环节应用最为广泛的算法模型,各种改进型双塔模型层出不穷,本文介绍一种基于 SENet 的双塔模型。原创 2023-07-21 21:10:57 · 1213 阅读 · 0 评论 -
推荐系统(八)分类 TAB 商品流多目标精排模型的演进
分类 TAB 商品流是得物 App 购买页面内除“推荐”页外的所有 TAB 内的商品推荐流,如“鞋类”、“箱包”等。当用户进入分类 TAB 中,我们可以简化为给定 三元组的商品流推荐,可以看出,分类 TAB 的推荐场景跟其他“开放式”推荐场景的最大差异在于,是限定条件下(品类)的推荐,与搜索场景有一点相似度,分类 TAB 代表着用户的品类意图。以我们目前的迭代进度,现阶段主要聚焦于 的二元建模,实际上转载 2023-07-21 11:32:01 · 1005 阅读 · 0 评论 -
推荐系统(七)知识蒸馏优化粗排模型
上篇文章(机器学习33:《推荐系统-VI》双塔模型)介绍了双塔模型,分析了其存在问题以及基本优化思路,本文梳理粗排模型从预估分、排序结果、特征三个方面蒸馏学习精排模型。转载 2023-07-19 19:52:06 · 523 阅读 · 0 评论 -
推荐系统(六)双塔模型
双塔模型是推荐场景中常用的粗排模型之一,本节主要介绍几种典型的双塔模型及其变型,如SENet 双塔模型,并联双塔,蒸馏学习,对偶增强双塔,阿里 COLD。转载 2023-07-19 18:05:10 · 1948 阅读 · 0 评论 -
推荐系统(五)再谈召回、打分和重排
在《机器学习28:推荐系统-概述》一文中,笔者概述了推荐系统的基本术语和一般架构,通过【推荐系统 I~IV】系列课程的学习,相信读者对推荐系统已经有了一定的理解。本节,我们再来回顾一下推荐系统的核心环节——召回、打分、重排。原创 2023-07-18 17:35:19 · 517 阅读 · 0 评论 -
推荐系统(四)深度神经网络DNN
深度神经网络 (DNN) 模型可以解决矩阵分解的这些局限性。DNN 可以轻松地合并 User 特征和 Item 特征(由于网络输入层的灵活性),从而帮助捕获用户的特定兴趣并提高推荐的相关性。原创 2023-07-13 17:51:13 · 1041 阅读 · 1 评论 -
推荐系统(三)使用 TensorFlow 构建电影推荐系统
本文将介绍基于MovieLens 数据集创建一个电影推荐系统的方法。具体而言,包括探索电影数据,训练矩阵分解模型,检查嵌入,矩阵分解中的正则化,Softmax 模型训练等内容。原创 2023-07-10 15:09:10 · 1036 阅读 · 0 评论 -
推荐系统(二)协同过滤
在《机器学习28:《推荐系统-I》概述》一文中,笔者介绍了“基于内容过滤(content-based filtering)”和“协同过滤(Collaborative Filtering)”两种常见的【候选 Item 池】生成方法。其中,基于内容过滤非常简单,当然,其局限性也很明显。相较之下,协同过滤会同时利用 User 和 Item 之间的相似性来推荐。原创 2023-07-07 17:07:22 · 539 阅读 · 0 评论 -
推荐系统(一)概述
在互联网领域,推荐系统(Recommendation Systems)的应用非常广泛。在音视频方面,如抖音、快手、哔哩等;在电商平台方面,如京东、淘宝、拼多多等。推荐有助于帮助用户快速发现潜在感兴趣的内容(音视频、商品、新闻等信息流),从而提升用户体验,同时有助于提升商业效率。从本文开始,笔者将结合自身在信息流推荐领域的经验,通过系列文章对推荐系统展开介绍。原创 2023-07-07 15:15:44 · 2969 阅读 · 0 评论