推荐系统整合

各种矩阵：计算物品相似度矩阵

基于物品的协同过滤 – 很清晰！！
下载相关数据集，对初始的数据进行数据处理，分离出用户- 物品评分表、物品、用户属性表等数据文件；选择基于物品的协同过滤作为算法，构建模型；根据用户对物品评分数据文件，建立用户物品倒排表，从倒排表中找出不同用户对不同物品的行为记录，并构建物品同现矩阵；计算物品（item）之间的相似度，通过计算出的相似度，得到物品之间的相似度矩阵，再对每个用户构建评分矩阵；得到物品的相似度矩阵之后，ItemCF 通过公式计算用户对物品的感兴趣程度，返回用户最可能喜欢的物品。

---

movielens 数据集下载集合

https://grouplens.org/datasets/movielens/ 数据集下载

数据集可见

AFM数据集–Frappe

---

FM 代码+数据（文章内部的github网站）

AFM论文（系列）代码
AFM论文（作者）代码
AFM的 数据集。Porto Seguro’s Safe Driver Prediction
AFM 理论与实践

DeepFM 含数据集 字段 讲解

---

《NAIS: Neural Attentive Item Similarity Model for Recommendation》论文阅读及解析. 网站1 全 ---- 网站2

---

用户评分矩阵 处理：求物品相似度矩阵，归一化

---

userCF 和 itemCF 比较 -【写论】

---

点积 vs. MLP：推荐模型到底用哪个更好？

---

代码
代码链接1
代码链接2
TensorFlow实战——个性化推荐

---

embedding 嵌入

嵌入(embedding)层的理解
embedding练习代码
Embedding和Word2Vec实战

推荐系统 embedding 技术实践总结

---

基于 物品 的协同过滤：
用户-项目评分矩阵 —> 计算项目相似度 —> 选取近邻项目 —> 预测评分

相似度计算：余弦相似度，改进的余弦相似度，皮尔逊相似度
其中，皮尔逊相似度 仅考虑了 用户评价 物体交集 的标准差，比其他方法效果好。

---

推荐系统怎么入门？- 知乎博文（内部含若干链接）

---

推荐系统 - - - 两个阶段：召回阶段，排序阶段。
召回阶段：从全量的商品库中得到用户可能感兴趣的一小部分候选集。如：协同过滤（如itemCF：计算物品之间的相似度；根据 物品相似度 和 用户的历史行为 给用户生成召回候选集。）
排序阶段：将召回阶段得到的候选集进行精准排序，推荐给用户。

ps：物品候选集：需要给用户匹配的物品。要 转化为对应的物品特征。

---

模型评价指标：TP、FP、TN、FN ，精确率、召回率与特异性，ROC曲线和PR曲线

命中率 HR，归一化折损累计增益 NDCG，平均倒数排名 MRR，举例子

---

揭开Top-N 经典算法 SLIM 和 FISM 之谜
itemKNN发展史–解读 Item-based CF，SLIM，FISM

---

注意力机制相关
Attention注意力机制介绍

干货 | Attention注意力机制超全综述 — （论：公式）

（注意力机制）详解–（辅助论：公式）

---

搜索与推荐系统

1.搜索与推荐 2.推荐系统发展—（论：图+文）

---

FM系列代码以及讲解

kaggle Avazu 数据集 特征工程