搜索推荐
文章平均质量分 86
新拖拉机
对技术高峰,身虽不能至,而心向往之。
GitHub空间:https://github.com/pumadong
展开
-
《推荐系统》-- 基本概念
介绍推荐系统的基本概念,几种推荐方法:协同过滤推荐、基于内容的推荐、基于知识的推荐,简要介绍其定义,适用的场景,在实现过程中要着重解答的问题。为以后逐渐深入了解这些内容做个概括性的介绍。原创 2014-12-05 17:56:59 · 1615 阅读 · 0 评论 -
ElasticSearch之旅--常用语法
最近,工作中有2个项目使用到ElasticSearch(2.3.3),记录一下ElasticSearch的从0开始的使用过程,可以作为入门参考资料。本篇介绍ElasticSearch的常用语法,包括:集群管理、索引/映射/模板-CRUD、查询语法、如何删除、聚合语法、分词等。原创 2016-10-18 09:31:20 · 2217 阅读 · 0 评论 -
搜索系统--基于Solr4.9.0的实现
基于Solr4.9.0演示对商品信息的全量索引建立、主从配置以及搜索的Dubbo接口提供;对Solr做了入门型的说明,基本满足基于Solr的搜索的日常应用,对于更多Solr的参数设置,深入研究需要在实践中不断总结进步。原创 2014-08-30 11:40:47 · 2648 阅读 · 0 评论 -
推荐系统--揭开推荐的神秘面纱
推荐,就是把你可能喜欢的商品,推到你的面前。构建一个推荐系统,就是构建如何把商品推到你面前的过程。推荐是一个整体的计算过程,在编码中,关于算法的部分所占的工作量可能1%都不到;构建一个千万PV级别的推荐系统相对容易,一天的日志不过几百M,计算过程中的数据,单台机器的内存可以存下,当PV达到几亿几十亿时,就需要进行稍微复杂一点的分布式计算了;推荐的计算方法很多,如何选择,效果难以预料,只有通过横向和纵向多做效果分析,才有意义。原创 2014-08-30 12:38:51 · 5886 阅读 · 0 评论 -
Solr3.6.2和Solr4.9.0常用配置
介绍solr3.6.2和solr4.9.0在tomcat7.0.55下的基本配置。包括IK分词器、主从配置。可以满足工作中的最基本需求。原创 2014-08-28 17:06:29 · 2665 阅读 · 0 评论 -
《推荐系统》--混合推荐、解释及如何评估推荐系统
如何进行混合推荐,要考虑两个问题:基础的推荐理论框架和系统的混合设计,也就是组合两个以上算法的方法。为什么推荐系统需要给出解释:卖家想要宣传特定的产品,而买家则比较关心做出正确的购买决策。解释是一项重要的信息,可以帮助两者在交流过程中提高各自的业绩和效率。在实际的生产中,我们很少采用这些实验室方法,而是用真实、客观的结果数据,进行A/B测试评估推荐的效果。原创 2014-12-19 16:38:12 · 5019 阅读 · 1 评论 -
《推荐系统》--最新进展:攻击、在线消费决策、普适环境、总结及经验
推荐系统植根于不同的研究领域,比如信息检索、信息过滤和文本分类,采用了不同领域的方法,比如机器学习、数据挖掘和基于知识的系统。《推荐系统》这本书,是一本导读,向读者提供有关这个领域的概述和简介。在“最新进展”这一部分,介绍了攻击和应对攻击的对策、在线消费决策的理论、新一代互联网技术发展带来的更多可用信息、移动等普适环境的推荐应用等。原创 2014-12-24 15:25:57 · 1442 阅读 · 0 评论 -
《推荐系统》--协同过滤推荐
协同过滤是当今最流行的推荐系统。其流行的最重要原因是:有实际环境作为改进的基准,而且用于分析生成推荐的数据结构(用户物品评分矩阵),非常简单。其他算法,就不会这么简单,比如通过会话交互的推荐应用会在会谈中询问用户的偏好,并且还会融入一些额外的领域知识。协同过滤不可能应用于每个领域:例如一个没有购买历史的汽车销售系统,或需要更多用户偏好细节的系统。同样,协同过滤技术要求用户社区处于某个特定规模,这意味着即使在书籍和电影领率,如果没有足够的用户或评分数据,也无法应用这些技术。原创 2014-12-14 21:53:02 · 3556 阅读 · 0 评论 -
《推荐系统》--基于知识的推荐
协同过滤和基于内容推荐的方法的主要优势在于,可以以相对较小的代价获取和维护这些知识。但是,在一些场景下,比如房屋、汽车、计算机等商品,协同系统会因为评分数据少而效果不好;或者时间跨度因素也很重要的情况,用户偏好随着各种状况而变化等;这些场景就不是协同过滤和基于内容推荐擅长解决的。基于知识的推荐系统可以解决这些问题,它不需要评分数据,因此不存在启动问题。基于知识推荐交互性很强,所以是一种会话式系统。基于知识推荐不仅仅是一种过滤系统,而是更为广义上“以一种个性化方法引导用户在大量潜在候选项中找到感兴趣或有用原创 2014-12-18 15:29:51 · 8985 阅读 · 0 评论 -
《推荐系统》--基于内容的推荐
如果说协同过滤中物品选择问题可以描述成“推荐相似用户喜欢的物品”,基于内容推荐则可描述成“推荐与用户过去喜欢的物品相似的物品”。因此,推荐系统的任务还是(基于用户记录)预测用户是否喜欢自己没有见过的物品。基于内容的推荐,必须依赖关于物品和用户偏好的额外信息,但它不需要巨大的用户群体或评分记录,也就是说,只有一个用户也可以产生推荐列表。在文本文档推荐中,比如新闻或网页,绝大多数的基本假设是物品的特征能够自动从文档内容本身或无结构的文本描述中抽取。因此,基于内容推荐系统的典型例子是比较候选文章的主要关键词和原创 2014-12-17 14:09:04 · 7426 阅读 · 0 评论 -
ElasticSearch之旅--入门
最近,工作中有2个项目使用到ElasticSearch(2.3.3),记录一下Elastic的从0开始的使用过程,可以作为入门参考资料。原创 2016-10-17 13:09:15 · 660 阅读 · 0 评论