推荐系统
ocean_R
喜欢学习的算法小白。
展开
-
【推荐系统】GBDT+LR
01 GBDT GBDT全称梯度下降树,在传统机器学习算法里面是对真实分布拟合的最好的几种算法之一,在前几年深度学习还没有大行其道之前,gbdt在各种竞赛是大放异彩。原因大概有几个,一是效果确实挺不错。二是即可以用于分类也可以用于回归。三是可以筛选特征。这三点实在是太吸引人了,导致在面试的时候大家也非常喜欢问这个算法。 GBDT通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练。对弱分类器的要求一般是足够简单,并且是低方差和高偏差的。因为原创 2020-10-30 23:55:13 · 437 阅读 · 0 评论 -
【推荐系统】Wide & Deep
wide & deep01 点击率预估1.1 WHAT?点击率预估是对每次广告点击情况做出的预测,其可以是输出点击或者不点击,也可以是输出该次点击的概率(pClick)1.2 HOW?通过上面的介绍我们知道点击率预估是一个二分类问题。因此可以使用机器学习中的逻辑回归作为模型的输出,其输出就是一个概率值,我们便可以将其作为我们对于某个用户是否点击该广告的估计。1.3 与RS的区别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;而推荐算法很多情况下只需要得到原创 2020-10-28 23:22:32 · 130 阅读 · 0 评论 -
【推荐系统】02 协同过滤算法
00 总览01 基本概念 协同过滤(Collaborative Filtering)是推荐系统中最经典、最常用的一类算法。所谓协同过滤算法,即一类基于用户行为分析的推荐算法。顾名思义可以解释为,用户可以齐心协力,通过不断与网站互动,是自己的推荐列表能够不断滤掉自己不感兴趣的物品,从而越来越满足自己的需求。图1.1 协同过滤算法的常用方法 其基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品。一般仅仅基于用户的行为数据,而不依赖于物品和用户原创 2020-10-22 14:18:39 · 1499 阅读 · 0 评论 -
【推荐系统】01 简介
00 内容总览01 推荐系统的目的 分类目录、搜索引擎和推荐系统是信息过载所采用的不同措施。 为了解决信息过载问题,人们想过很多方案,其中具有代表性的是分类目录和搜索引擎。这两种方案分别催生了雅虎和谷歌的诞生。而随着互联网规模的扩大,分类目录网站只能覆盖到少量热门网站,越来越不能满足大众的需求。而搜索引擎需要用户主动提供准确的关键字来寻找信息,因此当用户无法准确描述自己需求的关键词时,搜索引擎也就无能为力了。而推荐系统正好解决了这一问题,不需要用户提供明确的需求,而是通过分析用户的历史行为给原创 2020-10-19 19:09:11 · 543 阅读 · 0 评论 -
【推荐系统】开始学习推荐系统
开始学习推荐系统一个人看书效率太低,所以选择了和大佬们一起共同学习,共同进步。在此开启自己的一个新的学习系列,希望能踏踏实实的做好记录。Let’s go! ! !原创 2020-10-19 09:40:28 · 153 阅读 · 0 评论