推荐系统
poilkj110
这个作者很懒,什么都没留下…
展开
-
推荐系统表现在前N推荐任务
摘要:前N推荐任务,目标是找到一些特定Item其被认为对用户最有吸引力。普通的方法基于错误矩阵(例如RMSE)不是很自然的适应对于苹果钱N推荐任务。前N抱歉可以直接由基于进度指标的可选择方法度量。 一个广泛的评估显示算法对于最小RMSE优化不必要作为就前N推荐任务的期待项。结果显示在RMSE的提升经常不能转化到精度提升。事实上,一个朴素的非个性化算法可以比一些普通方法表现好并能匹配复杂算法的精度。原创 2017-11-27 21:05:36 · 434 阅读 · 0 评论 -
使用交叉存取得到更快推荐算法
我们拓展大量新算法可以通过引入一个在线实验的初始剪枝阶段来进行测试,其满足两个属性:1对排序函数质量高度敏感,也就是确定最好算法只用很小的样本集。 2 在第二阶段预测的成果在于:在第一阶段衡量的度量对齐于核心的A/B评估度量。通过使用交叉存取技术,动态加速试验过程。第一阶段筛选最有希望的排序函数,第二阶段只使用这些筛选的函数,允许我们分配更少的成员到整体试验并减少整体试验持续时间。 使用一个重复的原创 2017-12-09 21:57:07 · 1276 阅读 · 0 评论 -
DropoutNet: 解决推荐系统中冷启动问题
摘要:隐藏模型称为推荐系统的默认选择,因为他们的好表现以及可拓展性。然而,在此领域的调查主要关注在建模user-item之间的交互,很少隐藏模型为冷启动专门设计。受深度学习启发,提出了基于隐藏模型的神经网络称为DropoutNet来解决推荐系统中冷启动问题。不像现存方法其嵌入额外的基于内容的目标项,我们关注在优化上并展示神经网络模型可以为冷启动有效训练通过dropout. 1 简介 一个通常方法原创 2017-12-19 21:42:47 · 4167 阅读 · 0 评论 -
元数据嵌入对于用户和项目冷启动推荐系统
摘要:本文呈现一个混合矩阵分解模型表达用户和item使用它们当前特征的隐藏因子的线性结合。模型优于协同过滤和基于内容的模型在冷启动或者稀疏交互数据场景(使用用户和item元数据),和纯推荐系统其中交互数据是充足的表现相当。额外,由模型编码的语义信息得到的特征嵌入是一种词嵌入方法,使得他们对于大量相关任务都有效,例如标签推荐系统。 1 简介 建立推荐系统在冷启动场景中(少量数据可用在新的用户和it原创 2017-11-25 20:59:07 · 784 阅读 · 1 评论 -
协同过滤和嵌入
本文将介绍协同过滤,一种广泛使用在自动推荐系统中的技术(但不局限于推荐系统)。本文还讨论如何理解一种嵌入的更为广泛的概念。 第一部分介绍协同过滤基本观点 在推荐系统中,协同过滤是一种通过分析用户品味类似于其他用户做出的分析,从而推荐用户其他感兴趣的物品。通过协同多视角的过滤模式的思想称为协同过滤。 协同过滤的潜在假设是当A和B在一个问题上有相同的观点时,A很可能在其他问题上跟B也有相同的观点。原创 2018-01-02 21:35:42 · 622 阅读 · 0 评论