RS
文章平均质量分 82
小白的学习之旅
在读软件工程专业本科生
展开
-
DIN
论文链接:https://arxiv.org/pdf/1706.06978.pdf介绍上图展示的就是点击算法运行的大概框架,在很多时候点击预测与商品推荐是一样的。点击预测的算法通过用户的点击行为和被点击的广告的特征不断优化结果。在很多的点击率预测的方法中,将大量的特征数据进行降维编程一个低维的嵌入向量。再将低维的嵌入向量进行转换将其固定维某一个固定维度的向量。而本篇文章DIN(Deep interset Network)通过捕捉用户的行为和广告的特征进行点击量的预测。DIN特征表示这篇文章的数原创 2021-03-28 00:08:12 · 371 阅读 · 0 评论 -
NFM
简介NFM全称为:Neural Factorization Machines for Sparse Predictive Analytics论文地址为:https://arxiv.org/pdf/1708.05027.pdf特点及简介(1)是第一个在神经网络模型中引入双向交互池化操作的,并且由此提出了一种新的神经网络方法。(2)本方法加深神经网络框架下的FM使之能够面对高阶和非线性特征。(3)该方法能够在稀疏数据集上使用神经网络进行预测,并且效果较好。该模型是通过新的将FM融入到DNN的方法,原创 2021-03-24 23:59:08 · 1008 阅读 · 0 评论 -
DeepFM
论文链接:https://arxiv.org/pdf/1703.04247.pdf动机对于点击率(CTR)问题,提升推荐准确率的一个方法是特征组合,现有的方法(论文发布前)在对高阶,或者低阶特征相互作用有很强的偏好,需要对特征数据进行专业的特征工程进行处理。使得推荐系统能够实时的对特征数据进行处理,然后对用户进行推荐,因此开始不断的使用DNN等拓展知识进行尝试。一、在不断的在DNN相关知识进行拓展的基础上经历了这几个过程。(1)使用DNN网络解决推荐问题的时候会存在网络参数可能过于庞大的问题,这是因原创 2021-03-20 21:51:05 · 197 阅读 · 0 评论 -
wide&deep
原文链接:https://arxiv.org/pdf/1606.07792.pdf简单介绍wide&deep顾名思义就是通过算法优化对用户进行个性化推荐(deep)和广泛推荐(wide)的算法。是谷歌公司发布于2016年的论文。比如再刷新闻的时候,软件时常会给你推荐很多种类,还会推荐你特别感兴趣的,这就和这种算法差不多。当然这个得区分热点推荐等。main contributions:帮助解决稀疏输入的通用推荐系统,用于训练带有嵌入的前馈神经网络和线性变换的线性模型。这个推荐系统的实施和评原创 2021-03-19 00:31:08 · 378 阅读 · 0 评论 -
推荐系统(四):Wide&Deep
点击率点击率指系统推荐items时,用户的点击比率。通过这个数据来反映出推荐项目的准确率。点击率预估与推荐算法有什么不同?广告点击率预估是需要得到某个用户对某个广告的点击率,然后结合广告的出价用于排序;而推荐算法很多大多数情况下只需要得到一个最优的推荐次序,即TopN推荐的问题。当然也可以利用广告的点击率来排序,作为广告的推荐。Wide & Deep模型的“记忆能力”与“泛化能力”Memorization 和 Generalization是推荐系统很常见的两个概念,其中Memorizati原创 2020-10-27 20:56:48 · 271 阅读 · 0 评论 -
推荐系统(三):矩阵分解和FM
矩阵分解在推荐算法中,常常使用的就是协同过滤算法。针对于该算法存在的相关问题除了未使用user与items的信息进行交互式推荐以及他们自身的隐含信息外。还存在着矩阵稀疏性的问题。针对于协同过滤算法中遇到的矩阵稀疏性的问题我们提出了一种方法及矩阵分解。从协同过滤中衍生出矩阵分解模型(Matrix Factorization,MF)或者叫隐语义模型, 两者差不多说的一个意思, 就是在协同过滤共现矩阵的基础上, 使用更稠密的隐向量表示用户和物品, 挖掘用户和物品的隐含兴趣和隐含特征, 在一定程度上弥补协同过滤原创 2020-10-25 16:28:03 · 842 阅读 · 0 评论 -
推荐系统(二):协同过滤
协同过滤协同过滤算法是诞生最早,最为基础的推荐算法。该算法是通过对用户的历史浏览以及历史评分等信息通过计算相似度来发现用户对于某一类项目的偏好的算法。目前应用比较广泛的协同过滤算法是基于邻域的方法, 而这种方法主要有下面两种算法:基于用户的协同过滤算法(UserCF): 给用户推荐和他兴趣相似的其他用户喜欢的产品基于物品的协同过滤算法(ItemCF): 给用户推荐和他之前喜欢的物品相似的物品不管是UserCF还是ItemCF算法, 非常重要的步骤之一就是计算用户和用户或者物品和物品之间的相似度,原创 2020-10-22 08:59:52 · 3690 阅读 · 0 评论 -
推荐系统(一):概述
推荐系统(一):概述一、推荐算法的理解如果说互联网的目标就是连接一切,那么推荐系统的作用就是建立更加有效率的连接,推荐系统可以更有效率的连接用户与内容和服务,节约了大量的时间和成本。如果把推荐系统简单拆开来看,推荐系统主要是由数据、算法、架构三个方面组成。数据提供了信息。数据储存了信息,包括用户与内容的属性,用户的行为偏好例如对新闻的点击、玩过的英雄、购买的物品等等。这些数据特征非常关键,甚至可以说它们决定了一个算法的上限。算法提供了逻辑。数据通过不断的积累,存储了巨量的信息。在巨大的数据量与数据原创 2020-10-19 23:36:42 · 702 阅读 · 0 评论