Task05 排序模型

最新推荐文章于 2023-03-28 14:45:32 发布
最新推荐文章于 2023-03-28 14:45:32 发布
阅读量210 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_49075767/article/details/110731191
版权
本文探讨了基于LGB的排序模型，介绍了如何定义特征列和分组，以及模型训练过程。接着，讨论了LGB的分类模型和参数定义。深入讲解了DIN（Deep Interest Network）模型，用于计算用户兴趣向量，并利用历史行为和候选广告的相关性。数据处理方面，涉及数值型和离散型特征的处理，以及历史行为特征的序列处理。最后，提出了模型集成策略，包括输出结果的加权融合和Staking方法，通过逻辑回归对多个模型的预测结果进行再预测。
摘要由CSDN通过智能技术生成

模型排序

  1. LGB的排序模型
    定义特征列
    排序模型分组(按照user_id)

    /trn_user_item_feats_df_rank_model.sort_values(by=['user_id'], inplace=True

    排序模型定义

    lgb_ranker = lgb.LGBMRanker(boosting_type='gbdt', num_leaves=31,...

    排序模型训练

    lgb_ranker.fit(trn_user_item_feats_df[lgb_cols], trn_user_item_feats_df['label'], group=g_train)

    模型预测

    lgb_ranker.predict

  2. LGB的分类模型
    模型及参数的定义

    lgb_Classfication = lgb.LGBMClassifier(boosting_type='gbdt', num_leaves=31,...

    模型预测

    lgb_Classfication.predict_proba

  3. 深度学习的分类模型DIN (Deep Interest Network): 通过考虑【给定的候选广告】和【用户的历史行为】的相关性，来计算用户兴趣的表示向量。通过引入局部激活单元，通过软搜索历史行为的相关部分来关注相关的用户兴趣，并采用加权和来获得有关候选广告的用户兴趣的表示。与候选广告相关性较高的行为会获得较高的激活权重，并支配着用户兴趣。该表示向量在不同广告上有所不

最低0.47元/天 解锁文章
m0_49075767
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Laravel开发-task
08-28
例如，可以使用`make:model Task`创建一个新的Task模型，`make:migration create_tasks_table`生成创建tasks表的迁移文件，`migrate`命令则执行迁移操作，将数据库结构更新至最新。 ### 5. RESTful API 设计 SUN-...
Task05 天池新闻推荐入门赛之【排序模型+模型融合】
Dream_xd的博客
12-06 254
排序模型 通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是： LGB的排序模型 LGB的分类模型 深度学习的分类模型DIN 得到
Datawhale 实践项目 天池赛中零基础入门推荐系统 Task05：排序模型+模型融合 笔记[让我看看]
微信公众号（年更选手）：数据闲逛人 | Github开源项目：数分/数挖study路线 https://github.com/jc-dian/python_data_analysis
12-04 541
文章目录1. 排序模型1.1 读取排序特征1.2 返回排序后的结果 1. 排序模型 通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是
pairwise、listwise在lgb中的应用，以及相关listwise的简单实现
SpiritYzw的博客
03-28 1378
在使用’rank:pairwise’进行训练时，需要将数据集按照样本排列顺序，以列表的形式传入模型，其中每个子列表包含了单个查询（query）的所有样本。在预测时，也需要将测试集按照样本排列顺序，以列表的形式传入模型的predict方法。在使用lgb模型进行listwise训练时，需要将数据集按照样本排列顺序，以列表的形式传入模型，其中每个子列表包含了单个查询（query）的所有样本。例如，一个包含3个查询的数据集，每个查询包含5个样本，可以表示为一个包含3个子列表的列表，每个子列表包含5个样本。
LGBMRanker_ChatGPT教你用
JStana的博客
03-07 4528
LGMBRanker
LearningToRank(LTR)排序算法LGBMRanker的原理和使用
Miracle8070
12-03 1万+
1. 写在前面 在最近新闻推荐的比赛中， 接触到了一个排序模型LGBMRanker， 该模型与普通的分类模型LGBMClassifier不太一样， 普通的分类模型在进行推荐的时候， 往往是先预测某个商品或者文章用户会不会点击， 也就是它的目标是预测用户点击某篇文章或者某个商品的概率， 然后根据这个概率值进行排序， 排完之后，把最靠前的几个返回回来给用户进行推荐。 而LGBRanker模型， 它不关心用户点击某篇文章的概率， 而是根据用户点击或者不点击的这个行为， 直接去预测最后商品或者文章的一个相对顺序，
C#多线程排序例子
12-11
6. **异步编程与Task**：C# 5.0及以后版本引入了异步编程模型，通过`async`和`await`关键字，可以编写更简洁、更易于理解和维护的多线程代码。尽管`Task`不是直接用于多线程，但常用于异步操作，可与线程配合使用...
java自定义线程模型处理方法分享
09-01
1. **任务模型（Task Model）**：这是执行具体工作的基础，比如`TaskEvent`类就是一个任务模型的例子。它包含任务的创建时间、唯一ID、是否已取消等属性，并提供一个抽象的`run`方法用于执行任务。此外，任务模型...
task-manager
03-14
6. **数据结构与算法**：任务管理通常涉及到数据存储和检索，这可能需要利用JavaScript中的数组、对象、Map等数据结构，以及排序、查找等算法。 7. **DOM操作**：如果这是一个前端应用，那么`task-manager`可能会...
LTR入门：从 Ranknet 到 LambdaMart 原理与 lgb 实战
莫彩的博客
01-09 1682
我们的任务是这样的：有一堆搜索引擎拿到的 query，我们标注了他们对购买商品的需求等级，即这个 query 的搜索者有多希望看到搜索结果里出现电商或者直播等内容来满足购买需求，我们希望搞一个 rank 任务来学习这个任务。doc 的特征以数值类特征为主，我们使用 lightgbm 来完成这个任务。
19期推荐系统实践学习(五）
shiwy的博客
12-06 569
排序模型 通过召回的操作， 已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本身的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是： LGB的排序模型 LGB的分类模型 深度学习的分类模型DIN 得到了最
DeepCTR-Torch 如何使用【案例（Criteo、Movielens）演示、特征(SparseFeat、DenseFeat、VarLenSparseFeat)参数含义】
shuyv的博客
06-17 7612
文章目录安装DeepCTR-Torch 的 4 个步骤step1：模型导入step2：简单的预处理step3：生成特征列step4：生成训练样本并训练模型分类：Criteo回归：Movielens多值输入：Movielens特征数据集criteo_sample.txtmovielens_sample.txt 安装 deepctr-torch依赖于torch>=1.1.0，可以指定通过pip进行下载 pip install -U deepctr-torch DeepCTR-Torch 的 4 个步
[linux] deepctr[gpu] VarLenSparseFeat调用格式
心宝的博客
12-27 2048
deepctr.inputs.VarLenSparseFeat 由于VarLenSparseFeat和SparseFeat存在较多相同参数，且很多情况下相同参数的取值也是相同的(如用户历史商品点击序列和待预估商品)，故将VarLenSparseFeat的初始化参数更改为由一个SparseFeat的实例和其他序列相关的参数组成。 对用户而言，只需要理解SparseFeat的参数含义以及一些序列相关的参数含义就可以使用VarLenSparseFeat。 旧：VarLenSparseFeat(name, m
LightGBM（lgb）详解
热门推荐
weixin_44023658的博客
06-13 6万+
1. LightGBM简介 GBDT (Gradient Boosting Decision Tree) 是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。GBDT不仅在工业界应用广泛，通常被用于多分类、点击率预测、搜索排序等任务；在各种数据挖掘竞赛中也是致命武器，据统计Kaggle上的比赛有一半以上的冠军方案都是基于GBDT。而LightGBM（Light Gradient Boosting Machine）是一个实现GBDT
模型排序模型融合学习
m0_49978528的博客
12-06 1301
LGB的排序模型 LGB的分类模型 深度学习的分类模型DIN 两种比较经典的模型集成的方法： 输出结果加权融合 Staking（将模型的输出结果再使用一个简单模型进行预测） –感觉这里用的统计的组合平均法 import numpy as np import pandas as pd import pickle from tqdm import tqdm import gc, os import time from datetime import datetime import lightgbm as lgb
DeepCTR --- SparseFeat、DenseFeat、VarLenSparseFeat参数解释
WGS.
12-02 3398
参考自： https://blog.csdn.net/shuyv/article/details/117986476 https://deepctr-doc.readthedocs.io/en/latest/Features.html#varlensparsefeat
【算法竞赛学习】Task5 排序模型+模型融合
qq_41807261的博客
06-11 855
import numpy as np import pandas as pd import pickle from tqdm import tqdm import gc, os import time from datetime import datetime import lightgbm as lgb from sklearn.preprocessing import MinMaxScaler import warnings warnings.filterwarnings('ignore') data
推荐系统入门（十）：新闻推荐实践5（附代码）
南有芙蕖
12-05 1830
推荐系统入门（十）：新闻推荐实践5（附代码） 目录推荐系统入门（十）：新闻推荐实践5（附代码）前言LGB模型DIN模型一、排序模型1.LGB排序模型2.LGB分类模型3.DIN模型二、模型融合1.加权融合2.Staking三、总结参考资料 前言 相关系列笔记： 推荐系统入门（一）：概述 推荐系统入门（二）：协同过滤（附代码） 推荐系统入门（三）：矩阵分解MF&因子分解机FM（附代码） 推荐系统入门（四）：Wide&Deep（附代码） 推荐系统入门（五）：GBDT+LR（附代码） 推荐系统入门
Simulink排序
最新发布
07-28
Simulink中的模块排序可以通过使用脚本来实现。根据引用\[1\]中提供的脚本，可以通过点击想要被整理的模块，然后运行函数arrangeit()来实现模块的整理工作。这个脚本可以自动将模块排列整齐，使得模型更加美观。另外...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值