推荐系统
文章平均质量分 88
老男孩-Leo
1.时刻保持学习的姿态
2.一天不进步,就是退步!
3.专注但要有大局观(先大后小,思路为先,实验为辅),一个人一生只要做好一件事就够了!记住:凡事预则立,不预则废。
展开
-
mmlspark.lightgbm.LightGBMClassifier参数说明
【代码】mmlspark.lightgbm.LightGBMClassifier参数明。原创 2024-03-08 16:54:12 · 1146 阅读 · 0 评论 -
最优化算法总结(批量梯度下降【BGD】,随机梯度下降【SGD】),牛顿法,拟牛顿法)
最优化算法总结最优化方法主要有:梯度下降(批量梯度下降【BGD】,随机梯度下降【SGD】),牛顿法,拟牛顿法当目标函数是凸函数时,梯度下降每次求解是全局解,其解不保证全局最优解每次通过求导找出梯度方向(负梯度方向作为搜索方向),其越接近目标值,步长越小,前进越慢,批梯度下降每次取全量的样本进行计算梯度,然后进行参数的更新SGD相比BGD其每次随机采样一部分样本进行梯度计算,这样样本的偏差和噪声对于模型影响会比较大,但是因为每次不用取全量的样本计算梯度,所以收敛速度相比BGD提升很多梯度下降缺点原创 2020-06-17 13:43:45 · 553 阅读 · 0 评论 -
新闻推荐实例调研
@今日头条@搜狐新闻1.今日头条推荐1.1新用户冷启动美味爱读: 新用户接入时建立颗粒较细的兴趣标签系统。今日头条: 通过对用户微博账号的分析建立一个“兴趣图谱”,即根据用户在微博上发布的内容及其所属类别、用户自标签、[社交关系、社交行为](共同好友数、相互评论数、@数)、参与的群组、机型、使用时间等数据源推断用户的兴趣点有哪些。 图1用户原始兴趣DNA1....原创 2017-03-12 13:19:57 · 1204 阅读 · 0 评论 -
推荐系统常用评测指标
推荐系统常用评测指标预测准确度(Precision)评分预测准确度一般通过均方根误差(RMSE)和平方根误差(MAE)计算。对于测试集中的一个用户u和物品i,令 评分预测:(测试集的一个用户u和物品i,令rui{r}_{ui}是用户u对物品的实际评分,而r^ui{{\hat{r}}_{ui}}是推荐算法给出的预测评分。 假设我们用一个列表records存放用户评分数据,令records[i] =原创 2017-03-11 16:25:19 · 9164 阅读 · 1 评论 -
推荐系统中的特征工程问题
关于推荐系统中的特征工程在多数数据和机器学习的blog里,特征工程 Feature Engineering 都很少被提到。做模型的或者搞Kaggle比赛的人认为这些搞feature工作繁琐又不重要不如多堆几个模型,想入手实际问题的小朋友又不知道怎么提取feature来建模型。我就用个性化推荐系统做个例子,简单说说特征工程在实际的问题里是怎么做。定义特征工程 Feature Engineering 在转载 2016-12-15 20:03:41 · 1018 阅读 · 0 评论 -
推荐系统-利用用户的行为信息
本文介绍如何利用用户的行为信息构建推荐系统。 参考:项亮.《推荐系统实践》原创 2016-11-28 15:16:42 · 851 阅读 · 0 评论 -
DataCastle[猜你喜欢]赛事算法分享
DataCastle[猜你喜欢]赛事冠军分享关于竞赛DC的小伙伴们大家好,我是Yes,boy! ,来自东北大学计算机学院。在猜你喜欢推荐系统竞赛中,很幸运以7.89465的得分取得第一名,看到大家在群里对推荐系统的热情很高,所以在这里我简单介绍下竞赛中我的思路。 本次比赛的赛题背景是给出了约3400万条数据,包含一个商品网站站内顾客在某一时刻对某一个商品的打分值,分值范围为1至5分。目的是通过对这转载 2016-07-20 23:16:24 · 3622 阅读 · 0 评论