![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
文章平均质量分 83
kennyadelaide
人与人应该多点信任
展开
-
Deep Interest Evolution Network for Click-Through Rate Prediction
前一段时间的工作没来的急总结,现在总结一下!欢迎指正.......! @: kenny13141314@163.com今天总结一篇大概是2019年的一篇文章,这篇文章在DIN 的基础之上进行了扩展,属于推荐系统中的精排部分。在DIN中的粗排选择了基于用户的协同过滤算法,因此这篇文章的实现我也采用基于用户的协同过滤算法作为粗排。实际上这篇文章比较简单,首先是通过协同过滤算法将每个用户的历史记录通过时间排序存储到字典中, 代码如下:'''@name: kenny adelaide@time: 20原创 2022-05-10 10:48:59 · 302 阅读 · 0 评论 -
A/B-Test (Overlapping Experiment Infrastructure: More, Better, Faster Experimenta)
为了解决推荐算法基于web实验的模型验证,我参考了Overlapping Experiment Infrastructure: More, Better, Faster Experimentation 2010 的google 这篇文章。这篇文章针对当时的web验证方案进行了总结,并未google 的web实验验证方案的设计提供了参考,在此基础之上,google 工程师设计了自己的验证方案, 我将对相关的工作做概要性的简述。首先从图1 出发:这篇文章中提出了一个数据流通道的简易路径,主要由两..原创 2022-05-09 10:26:52 · 556 阅读 · 0 评论 -
Attention and transformer from nlp and application DIN
在阅读推荐系统的文章时,遇到了transformer 的概念以及attention的概念,对这部分不是很理解,现在对着方面做出一些总结以及一些知识点的记录。概念定义:有两个定长的句子(embedding之后),句子1 为target, 句子二为source。存在三种关系如下所示:1 target 句子内部联系2 source句子内部联系3 target 句子与source 句子内部联系总结:以上三种关系中 第三种关系常用的数学模型为RNN 以及LSTM, 1,2 两种数学模型的构原创 2022-04-22 14:33:04 · 1485 阅读 · 0 评论 -
Meta-Learning for Online Update of Recommender Systems
这篇文章是基于元学习的文章,在推荐系统领域通过牺牲可接受的计算代价,更新模型的参数,同时采用数据流式计算,并返回用户感兴趣的结果。文章中涉及到的主要技术有GAT, embedding,MLP。等主要技术。有关论文实现的代码,比较乱(没有工程化处理),但是思路清晰, 不喜勿喷,可以留言评论交流。step 1: 构建用户的反馈历史:主要通过两个方面进行:1 获取指定用户的历史交互item2, 获取指定item 的历史响应用户关键信息如下:step 2: 扩展代表向量,实际上是通过查表lo原创 2022-03-30 17:51:44 · 495 阅读 · 0 评论 -
Deep Interest Network for Click-Through Rate Prediction (base model) for video recommendation
为了实现视频推荐, 参照DIN 网络模型, 我做了如下修改: DIN 是为了广告推荐而生, 但是我是视频推荐,因此将click 表示为喜欢, unclick 表示为不喜欢, 只要是没有用户操作的: 点击,收藏,评论等行为都属于不喜欢。 有相关记录的表示为click。 因此实际上采用的是二分类模型。 为了降低网络的参数, 稀疏向量映射到等长向量空间采用同样的权重(unclick and click)代码距离部署还有需要完善的地方, 因此勿喷.....在这篇文章中,提...原创 2022-02-15 16:42:58 · 930 阅读 · 0 评论 -
Wide&Deep 论文实现
为了实现Deep Feedback Network for Recommendation 这篇文章中工业级算法,发现这篇文章的基础是Wide&Deep, 只不过增加了三个transformer 以及机器的self-attention机制, 关键在于Wide&Deep 这篇算法的实现, 当然DFN中的反馈机制与我目前的视频推荐很类似, 只不过wechat 研究的是story 推荐。整篇文章的核心内容以及公式请在网上去查找, 相应的都有很多。我尽最大程度上还原了改论文的思想,以及文中提出的特征交原创 2022-01-18 16:08:47 · 755 阅读 · 0 评论 -
A Real-World Benchmark for Reinforcement Learningbased Recommender System
推荐系统中的强化学习一半比较少见。原因在于很少对强化学习研究,第二一个是强化学习要求的数据一半是人工模拟数据,且其评估环境也是模拟的。 这也是现阶段基于推荐系统强化学习的劣势。 现有的方法可以通过将传统的数据转化为强化学习的数据集(named semi-simulated RS datasets)。在论文中有着提示:该转化策略我认为可能是强化学习主要的策略之一,全模拟的人工数据带来的问题是:不能真实的反馈用户的偏好。而转化数据存在的缺点是转化可能是不合理的。 传统标准数据集转化为强化学习的数据集格.原创 2021-12-16 14:12:04 · 334 阅读 · 0 评论 -
User Preference Learning in Multi-criteria Recommendationsusing Stacked Auto Encoders
这篇文章是大概是18年左右的文章,文章的作者来自于印度。实际上就是一个多个编码器以及解码器的呈上继下的组合。数据集采用的是多个评分标准的标准数据集。主要涉及到的行业是酒店以及电影。在改论文中,分析了该网络组合的参数训练方法, 这是一个前向无监督的网络,参数的更新采用构建新的loss 函数:为了防止过拟合,加入和L2 正则项。没有采用L1正则项的原因是,编码解码的整个过程,会导致计算结果的稀疏。两个正则项参数分别是对 整个编码器以及其他评分标准权重。 引入了一个超参数。...原创 2021-12-15 18:05:57 · 2696 阅读 · 0 评论 -
A deep learning based algorithm for multi-criteria recommender systems
推荐系统,网络结构原创 2021-12-15 13:39:27 · 1106 阅读 · 0 评论 -
Deep Feedback Network for Recommendation用于推荐系统的深度反馈网络
整篇文章与传统的推荐算法模型做了相应的对比, 对传统算法而言, 这篇文章将所有的信息反馈做了细致的划分: 隐式积极反馈/隐式消极反馈 显示积极反馈/显示消极反馈, 隐式反馈与显示反馈的区别在于用户的行为模式。如下图所示:在上图中,通过按钮的方式表示dislike action 就是显示反馈, 通过下滑item 条目表示隐式dislike action 反馈。文章当中也做了相应的说明: 1 显示反馈在实际的数据中占比是比较小的 2 隐式积极反馈与隐...原创 2021-11-26 16:32:23 · 2788 阅读 · 0 评论 -
svd++ 算法实现
该算法的实现,需要注意的是:1,yi 参数与Q 参数的大小是一致的,2,cost 函数求参数的梯度不能用于参数的更新,会导致验证指标不断增加,程序运行出错。3,建议通篇理解隐式反馈以及现有的隐式反馈的推理,深入理解模型中的公式的原理由来,参数不是经验值,是约束集合N(u) 的不断增大。参数的更新参照原文Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model...原创 2021-11-24 18:30:34 · 1172 阅读 · 0 评论 -
基于矩阵分解MF 的 biasSVD推荐算法实现
基于python的biasSVD推荐算法原创 2021-11-19 17:07:41 · 884 阅读 · 0 评论 -
基于MF 的推荐系统 funckSVD算法以及实现
funcSVD python 实现原创 2021-11-19 17:02:30 · 1377 阅读 · 1 评论