计算广告
机器不学习_
深度聚合机器学习、人工智能算法及技术实战
展开
-
协同过滤
准确率 召回率 覆盖率 平均流行度1.基于领域的算法a.基于用户的协同过滤算法 --- 计算复杂度比较高 步骤:1.找到和目标用户兴趣相似的用户集合-----统计当前用户中的物品类似的 2.找到这个集合汇总用户喜欢,并且目标用户没有听说的物品推荐给目标用户 计算u和v的兴趣相似度jaccard公式(交/并)和预先相似度()b.基于物品的协原创 2014-05-09 21:39:45 · 542 阅读 · 0 评论 -
Building decision trees to identify the intent
数据:自于日志,人工进行分类。Feature Analysis1.Number of terms in the query (nterms),2.Number of clicks in query sessions(nclicks),a significant number of navigational queries concentrates only a few clicks p原创 2014-04-24 21:46:45 · 414 阅读 · 0 评论 -
协同过滤--基于物品的推荐案例
数据集字段: 1.User_id: 用户ID 2.Item_id: 物品ID 3.preference:用户对该物品的评分 算法的思想: 1. 建立物品的同现矩阵A,即统计两两物品同时出现的次数. 数据格式:Item_id1:Item_id2 次数 2. 建立用户对物品的评分矩阵B,即每一个用户对某一物品的评分. 数据格式:Item_id user_i原创 2016-04-22 17:52:27 · 2372 阅读 · 0 评论