推荐系统Resys
文章平均质量分 88
推荐系统
-柚子皮-
╰☆ゞ不染纤尘,不忘初心ゞ☆╮
展开
-
CVR预估模型-ESMM
文章基于 Multi-Task Learning 的思路,提出一种新的CVR预估模型——ESMM,有效解决了真实场景中CVR预估面临的数据稀疏以及样本选择偏差这两个关键问题。Motivation不同于CTR预估问题,CVR预估面临两个关键问题:1 样本选择偏差(sample selection bias,SSB):传统CVR模型通常以点击数据为训练集,其中点击未转化为负例,点击并转化为正例,但是训练好的模型实际使用时,则是对整个空间的样本进行预估,而非只对点击样本进行预估。即传统的推荐系统仅用.原创 2021-10-25 00:03:43 · 1138 阅读 · 0 评论 -
召回:Mind
把与用户兴趣各种相关的信息都压缩成为一个表达向量。使用类似聚类的方式来对用户的兴趣多峰分布进行表征. 那么如何高效地在神经网络内嵌入聚类过程, 将无监督的聚类过程结合到有监督的分类模型, 就是我们需要解决的关键问题. 在这里, 我们选择了使用动态路由(Dynamic Routing) 算法解决了这个问题.Capsule 让人眼前一亮的地方是它提出了一种新的 "vector in, vector out" 的传递方案, 并且向量的输出可以看成是输入的某种聚类结果. 在胶囊网络中, 只要把一个向量当作一原创 2021-03-17 20:40:53 · 139 阅读 · 0 评论 -
swing召回算法
现实世界中的网络大部分都可以抽象为两种,一种是user-user这种同质的网络,另一种是user-object。推荐在这两种网络中都可以归为link prediction的范畴,给定一个图G(V, E),V是节点的集合,E是边的集合,推荐其实就是预测图中尚未存在的边。关于Link Prediction和推荐系统学术界已经有很多研究工作,比如经典的协同过滤-Collaborative Filtering,Adamic/Adar等等。原创 2021-03-17 14:38:43 · 500 阅读 · 0 评论 -
距离和相似度度量方法
http://blog.csdn.net/pipisorry/article/details/45651315在机器学习和数据挖掘中,我们经常需要知道个体间差异的大小,进而评价个体的相似性和类别。最常见的是数据分析中的相关分析,数据挖掘中的分类和聚类算法,如 K 最近邻(KNN)和 K 均值(K-Means)等等。不同距离度量的应用场景根据数据特性的不同,可以采用不同的度量方法。whi...原创 2021-09-24 22:18:08 · 102380 阅读 · 4 评论 -
推荐系统:协同过滤collaborative filtering
http://blog.csdn.net/pipisorry/article/details/51788955(个性化)推荐系统构建三大方法:基于内容的推荐content-based,协同过滤collaborative filtering,隐语义模型(LFM, latent factor model)推荐。这篇博客主要讲协同过滤。协同过滤Collaborative Filtering协同过滤:使用原创 2016-07-03 18:17:48 · 49226 阅读 · 6 评论 -
推荐系统:参数协同过滤
http://blog.csdn.net/pipisorry/article/details/44850971机器学习Machine Learning - Andrew NG courses学习笔记。Machine Learning - XVI. Recommender Systems 推荐系统(Week 9)相关参考:基于内容的推荐[推荐系统:基于内容的推荐]和基于cosin相似度的非参数协同过原创 2015-04-03 09:26:10 · 9267 阅读 · 0 评论 -
推荐系统Recommendation System:综述
http://blog.csdn.net/pipisorry/article/details/36633451博客内容:(个性化)推荐系统构建三大方法:基于内容的推荐content-based,协同过滤collaborative filtering,隐语义模型(LFM, latent factor model)推荐非个性化推荐[推荐系统:非个性化推荐Non-personalized recomme原创 2014-07-03 11:15:15 · 3796 阅读 · 0 评论 -
推荐系统:基于内容的推荐
http://blog.csdn.net/pipisorry/article/details/49205589(个性化)推荐系统构建三大方法:基于内容的推荐content-based,协同过滤collaborative filtering,隐语义模型(LFM, latent factor model)推荐。这篇博客主要讲基于内容的推荐content-based。基于内容的推荐Content-bas原创 2015-10-17 17:34:20 · 10002 阅读 · 1 评论 -
推荐系统:非个性化推荐Non-personalized recommendation
http://blog.csdn.net/pipisorry/article/details/39507699推荐系统之非个性化推荐Non-personalized recommendation,主要包含aggregated opinion recommenders,产品关联推荐,时间敏感推荐。个性化推荐参考[推荐系统:个性化推荐-协同过滤 ][海量数据挖掘M原创 2014-09-23 23:54:36 · 7133 阅读 · 2 评论 -
海量数据挖掘MMDS week4: 推荐系统之隐语义模型latent semantic analysis
海量数据挖掘Mining Massive Datasets(MMDs) -Jure Leskovec courses学习笔记 推荐系统Recommendation System之隐语义模型latent semantic analysis{博客内容:推荐系统构建三大方法:基于内容的推荐content-based,协同过滤collaborative filtering,隐语义模型(LFM, l原创 2015-10-19 22:35:28 · 2226 阅读 · 0 评论 -
PCA数据降维
http://blog.csdn.net/pipisorry/article/details/49235529这个没时间写,下次有空写吧╮(╯_╰)╭from: http://blog.csdn.net/pipisorry/article/details/49235529ref:原创 2015-10-19 00:38:12 · 1972 阅读 · 0 评论 -
海量数据挖掘MMDS week4: 推荐系统之数据降维Dimensionality Reduction
http://blog.csdn.net/pipisorry/article/details/49231919海量数据挖掘Mining Massive Datasets(MMDs) -Jure Leskovec courses学习笔记 推荐系统Recommendation System之降维Dimensionality Reduction{博客内容:推荐系统有一种推荐称作隐语义模型原创 2015-10-18 22:10:37 · 3311 阅读 · 0 评论