推荐系统
文章平均质量分 73
从推荐系统的基础CF 到 深度学习相关
JohnBanana
666
展开
-
推荐系统-推荐引擎的架构
内容来源:《推荐系统实践》 前面介绍了各种各样的数据和基于这些数据的推荐算法。在实际系统中,前面几章提到 的数据大都存在,因此如何设计一个真实的推荐系统处理不同的数据,根据不同的数据设计算法, 并将这些算法融合到一个系统当中是本章讨论的主要问题。本章将首先介绍推荐系统的外围架 构,然后介绍推荐系统的架构,并对架构中每个模块的设计进行深入讨论。 下图表示了推荐系统和网站其 他系统的关系。一般来说,每个网站都会有一个UI系统,UI系统负责给用户展示网页并和用户交...原创 2020-06-19 17:10:10 · 2238 阅读 · 0 评论 -
推荐系统- 评分预测问题
目前为止都是在讨论TopN推荐,即给定一个用户,如何给他生成一个长度为N的推荐 列表,使该推荐列表能够尽量满足用户的兴趣和需求。本书之所以如此重视TopN推荐,是因为 它非常接近于满足实际系统的需求,实际系统绝大多数情况下就是给用户提供一个包括N个物品 的个性化推荐列表。 但是,很多从事推荐系统研究的同学最早接触的却是评分预测问题。从GroupLens到Netflix Prize到Yahoo! Music的KDD Cup,评分预测问题都是推荐系统研究的核心。评分预测问题最基本 的数据集就是用户评...原创 2020-06-18 20:24:34 · 5267 阅读 · 0 评论 -
推荐系统-基于领域的社会化推荐
社会化推荐之所以受到很多网站的重视,是缘于如下优点: 1. 好友推荐可以增加推荐的信任度 好友往往是用户最信任的。用户往往不一定信任计算机的智能,但会信任好朋友的推荐。同样是给用户推荐《天龙八部》,前面提到的基于物品的协同过滤算法会说是因为用户之前看过《射雕英雄传》,而好友推荐会说是因为用户有8个好友都非常喜欢《天龙八部》。对比这两种解释,第二种解释一般能让用户更加心动,从而购买或者观看《天龙八部》。 2. 社交网络可以解决冷启动问题 当一个新用户通过微博或者抖音账号登录网站时,我们可以从社转载 2020-06-17 16:24:03 · 712 阅读 · 0 评论 -
推荐系统--基于图的推荐算法
基于图的模型(graph−basedmodel )是推荐系统中的重要内容。在研究基于图的模型之前,首先需要将用户行为数据表示成图的形式。这里我们将用户行为数据用二分图表示,例如用户数据是由一系列的二元组(也可以使用列表)组成,其中每个元组 (u,i) 表示用户 u 对物品 i 产生过行为。下图为 A , B , C 用户感兴趣的音乐: 产生的二分图模型如下: 将用户行为表示为二分图模型后,下面的任务就是在二分图上给用户进行个性化推荐。如果将个性化推荐算...转载 2020-06-16 19:37:27 · 4987 阅读 · 1 评论 -
推荐系统 - 基于标签的推荐算法
标签在我们日常生活中很常见,打标签作为一种重要的用户行为,蕴含了很多用户兴趣信息,因此深入研究和利用用户打标签的行为可以很好地指导我们改进个性化推荐系统的推荐质量。举个例子,下图是酷我音乐的标签,有了标签,用户可以快速找到自己感兴趣的歌,同时酷我也可以通过用户经常使用的标签,更精确的为用户推荐感兴趣的歌曲 原理当拿到了用户标签行为数据,相信大家都可以想到一个最简单的个性化推荐算法,这里我们称为SimpleTagBased。其描述如下所示: 1. 统计每个用户最常用标签 2. ...转载 2020-06-16 14:59:12 · 6038 阅读 · 3 评论 -
推荐系统-基于关联规则Apriori
该算法也是在一堆数据集中寻找数据之间的某种关联,这里主要介绍的是叫做Apriori的‘一个先验’算法,通过该算法我们可以对数据集做关联分析——在大规模的数据中寻找有趣关系的任务,本文主要介绍使用Apriori算法发现数据的(频繁项集、关联规则)。这些关系可以有两种形式:频繁项集、关联规则。频繁项集:经常出现在一块的物品的集合关联规则:暗示两种物品之间可能存在很强的关系 关联规则分析也是一种比较常见的推荐算法,主要是根据历史数据统计不同规则出现...转载 2020-06-15 17:06:45 · 2079 阅读 · 0 评论 -
推荐系统-ItemCF基于用的协同过滤
基于物品的协同过滤算法。基于物品的协同过滤算法是目前业界应用最多的算法,亚马逊、Netflix、Hulu、YouTube等很多平台都采用该算法作为其基础推荐算法原理 基于物品的协同过滤算法给用户推荐那些和他们之前喜欢的物品相似的物品。但是它并不是利用物品的内容属性计算物品之间的相似度,而是通过分析用户的行为记录计算物品之间的相似度,比如说用户之前买过《数据挖掘导论》,该算法会根据此行为给你推荐《机器学习》,但是ItemCF算法并不利用物品的内容属性计算物品之间的相似度,它主要通...转载 2020-06-11 19:43:14 · 415 阅读 · 0 评论 -
推荐系统-UserCF基于用的协同过滤
随着信息技术和互联网的发展,人们逐渐从信息匮乏的时代走入了信息过载的时代。在这个时代,无论是信息消费者还是信息生产者都遇到了很大的挑战:如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情,这个时候就需要推荐系统。推荐系统不需要用户提供明确的需求,而是通过分析用户的历史行为给用户的兴趣建模,从而主动给用户推荐能够满足他们兴趣和需求的信息。 基于邻域的算法是推荐系统中最基本的算法,该算法不仅在学术界得到了深入研究,而且在业界得到了广泛应用。基于邻域的算法分为两大类,一类是基于用户的协...转载 2020-06-11 17:25:39 · 300 阅读 · 0 评论 -
推荐系统- NCF(Neural Collaborative Filtering)的推荐模型与python实现
引言: 本文主要表述隐式反馈的基础上解决推荐算法中的关键问题协同过滤。 尽管最近的一些工作已经将深度学习用于推荐系统中,但他们主要将其用于辅助信息建模,例如物品的文字描述和音乐的声学特征。 当涉及到协同过滤建模的关键因素即用户和物品特征之间的交互时,他们仍然致力于使用矩阵分解,并在用户和物品的潜在特征上应用了内积运算。 通过将内积运算替换为可以从数据中学习任意函数的神经体系结构,本文提出了一个名为NCF(Neural network based Collaborati...转载 2020-06-10 19:15:58 · 5898 阅读 · 2 评论 -
推荐系统-AutoRec 的推荐系统介绍与python实现
本文要介绍的模型是2015年由澳大利亚国立大学提出的AutoRec。它将自编码器(AutoEncoder) 的思想和协同过滤结合,提出了一种但隐藏层的神经网络推荐model。因为简洁的网络结构和清晰易懂的模型原理,所以非常适合深度学习的推荐model 的入门模型来学习本文参考了王喆大佬的新书,《深度学习推荐系统》论文地址1.引言协同过滤模型的目的是利用用户对商品的偏好信息来提供个性化的推荐。AutoRec是一个新型的基于自动编码器的协同过滤模型。论文作者认为AutoRec与现有的将玻尔兹曼机原创 2020-06-05 14:33:02 · 1766 阅读 · 1 评论 -
推荐系统-Deep Crossing理论与python实现
简介 2016年,微软提出Deep Crossing模型,旨在解决特征工程中特征组合的难题,降低人力特征组合的时间开销,通过模型自动学习特征的组合方式,也能达到不错的效果,且在各种任务中表现出较好的稳定性 与FNN、PNN不同的是,Deep Crossing并没有采用显式交叉特征的方式,而是利用残差网络结构挖掘特征间的关系 相信当看到这个图片时,你已经翻阅了大量的相关资料: Deep Crossing 主要分为5层或者者说四层:从下而上看 特征抽取层、Emb...原创 2020-06-04 19:35:33 · 833 阅读 · 0 评论