- 博客(4)
- 收藏
- 关注
原创 深度学习推荐系统笔记(4)
4. 逻辑回归协同过滤:只有用户和物品之间的评价信息——改进:LR融合多种特征4.1 LR流程将各种先验信息(用户信息,物品信息,环境信息)用数字型特征向量表述确定LR模型的优化目标——点击率训练 LR,测试评估:特征信息——LR模型——用户对物品的点击率输入所有物品得到预测的点击概率,排序得到推荐列表4.2 算法细节LR:假设数据服从Logistic分布,然后使用极大似然估计做参数的估计LR通过特征向量加权组合拟合决策边界(单层感知机)——再找边界面和P(Y=1/x)的
2021-07-27 21:12:39
244
原创 深度学习推荐系统笔记(3)
2.6 协同过滤的缺点 UI矩阵对没有历史记录的评价为0所以UI矩阵很稀疏:计算物品相似度时用户评价较多的商品容易和其他物品的相似度高——仅仅因为这个物品打分的用户多。其他物品可能是相似的,但是因为打分的人少,物品向量非常稀疏,无法计算相似度协同过滤的缺点:1.推荐结果的头部效应比较明显,处理稀疏向量的能力弱即泛化性能差2.UI矩阵只有用户对物品的评价信息,没有用户特征,物品特征和场景特征,有效信息少。3.矩阵分解为每个用户和物品生成各自的隐向量,将用户和物品定位到同一个隐...
2021-07-27 16:46:14
596
原创 深度学习推荐系统笔记(2)
主要的技术大类:协同过滤算法CF 用户协同过滤UserCF——基于用户相似度 物品协同过滤ItemCF——基于物品相似度 逻辑回归模型LR 衍生LS-PLM 因子分解机FM 衍生FFM 组合模型 GBDT+LR... 2.协同过滤协同过滤:通过集体智慧的力量来进行工作,过滤掉用户不感兴趣的项目。为特定用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户,然后将他们感兴趣的内容推荐给此用户。...
2021-07-26 17:48:03
217
原创 深度学习推荐系统笔记(1)
1.推荐系统的作用和意义用户:在信息过载的情况下,帮助用户高效地获得感兴趣的信息公司:使公司的产品最大程度上吸引用户,留住用户,增加用户黏性,提高用户转化率,使公司商业目标连续增长。2.推荐系统的逻辑架构描述:对于特定用户U,在特定场景C下,学习函数f(U,I,C),得到特定用户U对于物品I的喜好程度。两个组成部分:数据和模型(1)数据部分:三个处理平台(客户端及服务器端实时,流平台准实时,大数据平台离线数据)实时性越来越弱,处理海量数据的能力越来越强。三者配合使用处理数..
2021-07-26 15:53:54
161
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人