人工智能垂直领域
文章平均质量分 80
人工智能垂直领域
micklongen
micklongen
展开
-
推荐系统 --- 工程
系统架构实时准实时离线数据驱动和实验平台数据驱动数据:要采集数据,全方位,数据像是石油一样,没有它就谈不上驱动;驱动:要让大家看数据,光采集了没有用,还需要让所有人盯着数据看。实验平台AB 实验平台:数据驱动的重点是做对比实验,通过 对比,让模型、策略、设计等不同创意和智慧结晶新陈代谢,不断迭代更新。互联网实验,需要三个要素:流量:流量就是用户的访问,也是实验的样本来源。参数:参数就是各种组合,也是用户访问后,从触发互联网产品这个大函 数,到最后返回结果给用户,中间所原创 2022-01-05 11:29:02 · 403 阅读 · 1 评论 -
推荐系统 --- 推荐算法 --- 其他
排行榜排行榜的作用排行榜可以作为解决新用户冷启动问题的推荐策略。这个不难理解,当一 个新用户刚注册时,可以把最近产品中热门的物品推荐给他。排行榜可以作为老用户的兴趣发现方式。即使是老用户,也可以在享受个 性化推荐的同时去浏览热门的物品,从中看看哪些感兴趣,哪些不感兴趣,这些 行为都是补充或者更新用户兴趣的数据来源。排行榜本身就是一个降级的推荐系统。推荐系统本身是一个软件,因此也 会有出现问题的时候,也会有推荐不出来的时候,这个时候考虑到服务的可用性, 用排行榜作为一种兜底策略,可以避免推荐位开天原创 2022-01-05 11:28:50 · 231 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 算法评测
什么才是好的推荐系统目标C在评测一个推荐算法时,需要同时考虑三方的利益,一个好的推荐系统是能够令三方共赢的系统。一个完整的推荐系统一般存在3个参与方:用户、物品提供者和提供推荐系统的网站。首先,推荐系统需要满足用户的需求,给用户推荐那些令他们感兴趣的图书。其次,推荐系统要让各出版社的书都能够被推荐给对其感兴趣的用户,而不是只推荐几个大型出版社的书。最后,好的推荐系统设计,能够让推荐系统本身收集到高质量的用户反馈,不断完善推荐的质量,增加用户和网站的交互,提高网站的收入。评测方法业原创 2022-01-05 11:28:36 · 552 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 混合推荐算法(二)
概述描述把推荐选择具体物品,上升到选择策略。如果后台算法中有三种策略: 按照内容相似推荐,按照相似好友推荐,按照热⻔门推荐。每次选择⼀种策略,确定了策略后,再选择策略中的物品,这样两个步骤。Bandit概述指的是一类算法,而不是一个算法基本思想看看选择会 带来多少遗憾,遗憾越少越好;⼩⼼翼翼地试,越确定某个选择好,就多选择它,越 确定某个选择差,就越来越少选择它。关键元素臂:每次推荐要选择候选池,可能是具体物品,也可能是推荐策略,也 可能是物品类别;回报:⽤户原创 2022-01-05 11:28:25 · 879 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 混合推荐算法(一)
概述优点充分利用 用户画像、物品画像、群体数据、知识模型 四种信息源多种算法融合的难点有个算法可能只给出结果,不给分数,⽐如⽤决策树产⽣⼀些推荐结果;每种算法给出结果时如果有分数,分数的范围不⼀定⼀样,所以不能互 相⽐较,⼤家各⾃家庭背景不⼀样;即使强⾏把所有分数都归⼀化,仍然不能互相⽐较,因为产⽣的机制不 同,有的可能普遍偏⾼,有的可能普遍偏低。并行式混合概述多种推荐算法的输出结果加以整合形成最终的输出加权式概述推荐系统对多个推荐算法的计算结果进行加权平原创 2022-01-05 11:28:10 · 2990 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 其他
利用上下文信息时间上下文信息一般认为,时间信息对 用户兴趣的影响表现在以下几个方面:用户兴趣是变化的:我们这里提到的用户兴趣变化是因为用户自身原因发生的变化。比如随着年龄的增长,用户小时候喜欢看动画片,长大了喜欢看文艺片。一位程序员随着 工作时间的增加,逐渐从阅读入门书籍过渡到阅读专业书籍。一个人参加工作了,工作 后的兴趣和学生时代的兴趣相比发生了变化。当然, 考虑用户最近的兴趣只能针对渐变的用户兴趣,而对突变的用户兴趣很难起作用,比如用户突然中奖了。物品也是有生命周期的一部原创 2022-01-04 16:20:05 · 453 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 协同过滤算法
概述历史1992年,Goldberg、Nicols、Oki及Terry提出基本思想爱好相似的用户喜欢的东西可能也会喜欢优点共享朋友的经验,提高推荐的准确度根据爱好相似的用户喜欢的视频进行推荐,可以发现用户潜在的兴趣缺点数据冷启动不对视频的内容做分析,无法依据深层特征和属性来推荐比较复杂的视频用户打分稀疏性问题的约束随着用户和视频数量的增大、系统计算量的增大,收到算法可扩展性问题的约束推荐算法分类基于记忆的推荐算法概述直接使用整个已知的评分矩阵原创 2022-01-04 16:16:39 · 643 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 矩阵分解
概述矩阵分解问题物品之间存在相关性,信息量并不随着向量维度增加⽽线性增加;矩阵元素稀疏,计算结果不稳定,增减⼀个向量维度,导致近邻结果差 异很⼤的情况存在。思路上述两个问题,在矩阵分解中可以得到解决。矩阵分解,直观上说来简单,就 是把原来的⼤矩阵,近似分解成两个⼩矩阵的乘积,在实际推荐计算时不再使 ⽤⼤矩阵,⽽是使⽤分解得到的两个⼩矩阵。矩阵存储难点只有原始⽤户⾏为⽇志,需要从中构造出矩阵,怎么做?思路CSR:这个存储稍微复杂点,是⼀个整体编码⽅式。它有三原创 2022-01-04 14:30:31 · 663 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 概述
数据反馈信息显性反馈数据和隐性反馈数据显性反馈数据概述显性反馈行为包括用户明确表示对物品喜好的行为。这里的主要方式就是评分和喜欢/不喜欢。特点用户兴趣:明确数量:较少存储:数据库实时读取:实时正负反馈:都有案例视频网站:用户对视频的评分电子商务网站:用户对商品的评分门户网站:用户对新闻的评分音乐网站:用户对音乐/歌手/专辑的评分隐性反馈数据概述隐性反馈行为指的是那些不能明确反应用户喜好 的行为。最具代表性的隐性反馈行为就是页面浏览行为。原创 2022-01-04 14:21:45 · 746 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 基于内容的推荐算法
概述概述起源于信息搜索和信息过滤领域基本思想从视频内容是否与用户偏好匹配的角度来向用户做出推荐优点不存在物品冷启动的问题可解释性:能够列出推荐视频的特征作为推荐理由,更容易为用户所接受防止作弊:避免多个用户可能对物品的评分进行联手作弊而引导系统向目标用户做出不良推荐的情况缺点新用户冷启动问题提取视频的内容特征难度大使用标签对视频进行标注的方法工作量巨大而效用低需要有足够的数据来构造决策分类器,用户画像的建立需要大量的用户浏览记录难以为用户发现新的兴趣信息,只原创 2022-01-04 14:03:58 · 507 阅读 · 0 评论 -
推荐系统 --- 推荐算法 --- 基于知识的推荐算法
基于知识的推荐方法基本思想通过交互、会话等方式直接了解到用户需求(“问”),然后再寻找匹配的视频(“找”)解决思路优点不存在冷启动的问题由于与用户存在互动,用户偏好发生改变时不需要任何训练缺点知识获取比较困难用户必须说明他的需求,系统才能够做出推荐,在这个过程中若找不到合适的推荐视频,用户需要修改其需求约束知识和约束推荐算法概述主要面向人工智能,构建if-else推荐规则算法流程输入目标用户 u 的特定需求输出针对目标用户 u 的推荐原创 2022-01-04 13:54:02 · 1485 阅读 · 0 评论 -
推荐系统 --- 数据工程 --- 用户标签
概述标签是一种无层次化结构的、用来描述信息的关键词,它可以用来 描述物品的语义。根据给物品打标签的人的不同,标签应用一般分为两种一种是让作者或者专 家给物品打标签;另一种是让普通用户给物品打标签,也就是UGC(User Generated Content,用 户生成的内容)的标签应用。标签的作用表达:标签系统帮助我表达对物品的看法。(30%的用户同意。)组织:打标签帮助我组织我喜欢的电影。(23%的用户同意。)学习:打标签帮助我增加对电影的了解。(27%的用户同意。)发现:标签系原创 2022-01-04 13:42:56 · 275 阅读 · 0 评论 -
推荐系统 --- 数据工程 --- 用户画像 --- 解决方案
用户画像建模 — 用户定量画像定量画像包括:用户基础变量、兴趣偏好等可量化的数据特征用户画像的颗粒度:即用户画像应该细化到何种程度用户画像越细化,有利于提高推荐系统的准确定。但是需要越细化的用户数据,提高了用户画像建模的成本,同时也会导致用户画像适用性降低。数据来源显示收集方式:比如说用户问卷,准确度高,无须做过多预测隐式收集方式:比如说技术手段精度较差,但是可以通过大量用户信息的收集和挖掘可相应提高准确性可以作为显示收集方式的补充效度和信度验证信度(reliability)即可靠性,它原创 2022-01-04 13:38:14 · 1276 阅读 · 1 评论 -
推荐系统 --- 数据工程 --- 用户画像 --- 概述
概述概念:勾画用户(用户背景、特征、性格标签、行为场景等)和联系用户需求与产品设计的,旨在通过从海量用户行为数据中炼银挖金,尽可能全面细致地抽出一个用户的信息全貌目标:将定性和定量方法结合在一起定性化的方法:通过对用户的生活情境、使用场景、用户心智进行分析来对用户的性质和特征做出抽象与概括定量化:对特征做精细的统计分析与计算,获得对于用户较为精准的认识,便于在数值排序的基础上实现核心用户的发掘与突出⽤户画像的关键因素第⼀个是维度第⼆个是量化用户画像数据来源用户注册等基本属性原创 2022-01-04 13:32:43 · 1033 阅读 · 0 评论 -
推荐系统 --- 概述
概述什么是推荐系统推荐系统可以把那些最终会在⽤户(User)和物品(Item)之间产⽣的连接提前找出来。世界的发展趋势是万物倾向于建⽴越来越多的连接;⼈是这⼀切趋势的意义所在,为⼈建⽴连接是要义;根据已有的连接预测和⼈有关的连接,就是推荐系统。目标⽤已有的连接去预测未来⽤户和物品之间会出现的连接。你需要推荐系统吗?第⼀,看看产品的⽬的。如果⼀款产品的⽬的是建⽴越多连接越好,那么它最终需要⼀个推荐系统。第⼆,看看产品现有的连接。如果你的产品中物品很少,少到⽤⼈⼯就可以原创 2022-01-04 13:26:51 · 215 阅读 · 0 评论