![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
文章平均质量分 68
oucpowerman
这个作者很懒,什么都没留下…
展开
-
基于用户的协同过滤推荐算法原理和实现
转载自 http://www.cnblogs.com/technology/p/4467895.html 在推荐系统众多方法中,基于用户的协同过滤推荐算法是最早诞生的,原理也较为简单。该算法1992年提出并用于邮件过滤系统,两年后1994年被 GroupLens 用于新闻过滤。一直到2000年,该算法都是推荐系统领域最著名的算法。 本文简单介绍基于用转载 2015-11-09 14:07:23 · 668 阅读 · 0 评论 -
关于点击率模型,你知道这三点就够了
说到计算广告,或者个性化推荐,甚至一般的互联网产品,无论是运营、产品还是技术,最为关注的指标,就是点击率。业界也经常流传着一些故事,某某科学家通过建立更好的点击率预测模型,为公司带来了上亿的增量收入。点击率这样一个简单直接的统计量,为什么要用复杂的数学模型来刻画呢?这样的模型又是如何建立与评估的呢?我们这一期就来谈谈这个问题。一、为什么要建立一个点击率模型?无论是人工运营还是机器决原创 2016-01-04 23:35:15 · 1385 阅读 · 1 评论 -
推荐系统比较好的论
链接:http://www.zhihu.com/question/25566638/answer/37455091来源:知乎推荐几篇对工业界比较有影响的论文吧:1. The Wisdom of The Few 豆瓣阿稳在介绍豆瓣猜的时候极力推荐过这篇论文,豆瓣猜也充分应用了这篇论文中提出的算法;2. Restricted Boltzmann Machines for C转载 2015-11-20 10:09:54 · 968 阅读 · 0 评论 -
矩阵分解模型(1):ALS学习算法
一、矩阵分解模型。用户对物品的打分行为可以表示成一个评分矩阵A(m*n),表示m个用户对n各物品的打分情况。如下图所示:其中,A(i,j)表示用户user i对物品item j的打分。但是,用户不会对所以物品打分,图中?表示用户没有打分的情况,所以这个矩阵A很多元素都是空的,我们称其为“缺失值(missing value)”。在推荐系统中,我们希望得到用户对所有物品的打分情况,如果原创 2015-11-15 11:42:12 · 32779 阅读 · 13 评论 -
ALS 在 Spark MLlib 中的实现
转载自 http://www.csdn.net/article/2015-05-07/2824641深受用户喜爱的大数据处理平台 Apache Spark 1.3 于前不久发布,MLlib 作为 Spark 负责机器学习 (ML) 的核心组件在 1.3 中添加了不少机器学习及数据挖掘的算法:研究主题分布的 latent Dirichlet allocation (LDA)、估计转载 2015-11-14 10:33:39 · 2194 阅读 · 0 评论 -
隐语义模型LFM
隐语义模型LFM和LSI,LDA,Topic Model其实都属于隐含语义分析技术,是一类概念,他们在本质上是相通的,都是找出潜在的主题或分类。这些技术一开始都是在文本挖掘领域中提出来的,近些年它们也被不断应用到其他领域中,并得到了不错的应用效果。比如,在推荐系统中它能够基于用户的行为对item进行自动聚类,也就是把item划分到不同类别/主题,这些主题/类别可以理解为用户的兴趣。对于一个用户原创 2015-11-12 21:03:03 · 4015 阅读 · 0 评论 -
基于内容的推荐(Content-based Recommendations)
[本文链接:http://www.cnblogs.com/breezedeus/archive/2012/04/10/2440488.html,转载请注明出处] Collaborative Filtering Recommendations (协同过滤,简称CF) 是目前最流行的推荐方法,在研究界和工业界得到大量使用。但是,工业界真正使用的系统一般都不会只有CF推荐算法,Cont转载 2015-11-12 19:10:52 · 599 阅读 · 0 评论 -
推荐系统小结
转载自 http://blog.csdn.net/lzt1983/article/details/38884435许久不做推荐系统了,但偶尔也会关注一些相关的论文或资料。最近喜欢整理思路,顺便把自己过去几年对这个方向的理解做个小结吧。什么是推荐系统: 自动或被动地为用户推送其可能感兴趣的目标单元(商品、人、活动等)的系统。推转载 2015-11-11 20:02:33 · 582 阅读 · 0 评论 -
基于物品的协同过滤算法(Item-CF)
一、算法思想。 基于物品的协同过滤算法,是给用户推荐和他之前喜欢的物品相似的物品。基于物品的协同过滤算法,是目前广泛使用的一种推荐算法,像Netflix, YouTube, Amazon等。 二、算法步骤。1、计算物品之间的相似度。计算相似度的方法有以下几种:基于余弦(Cosine-based)的相似度计算,通过计算两个向量之间的夹角余弦值来计算物品之间的原创 2015-11-10 13:59:16 · 4636 阅读 · 0 评论 -
数据归一化和两种常用的归一化方法
数据标准化(归一化)处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。以下是两种常用的归一化方法:一、min-max标准化(Min-Max Normalization)也称为转载 2015-11-09 17:50:14 · 1240 阅读 · 0 评论 -
UserCF算法 - 改进用户相似度计算
前面计算用户间兴趣相似度使用的是余弦相似度,该公式过于粗糙,需要改进该公式。 以图书为例,如果两个用户都曾经买过《新华字典》,这丝毫不能说明他们兴趣相似,因为绝大多数中国人小时候都买过《新华字典》。但如果两个用户都买过《数据挖掘导论》,那可以认为他们的兴趣比较相似,因为只有研究数据挖掘的人才会买这本书。换句话说,两个用户对冷门物品采取过同样的行为更能说明他们兴趣的相似度。因此,Joh原创 2015-11-10 11:45:12 · 6227 阅读 · 2 评论 -
Learning to Rank
去年实习时,因为项目需要,接触了一下Learning to Rank(以下简称L2R),感觉很有意思,也有很大的应用价值。L2R将机器学习的技术很好的应用到了排序中,并提出了一些新的理论和算法,不仅有效地解决了排序的问题,其中一些算法(比如LambdaRank)的思想非常新颖,可以在其他领域中进行借鉴。鉴于排序在许多领域中的核心地位,L2R可以被广泛的应用在信息(文档)检索,协同过滤等领域。转载 2016-01-04 23:52:02 · 574 阅读 · 0 评论