![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
monkey512
学习python中
展开
-
推荐系统实战阅读笔记(一)
1.什么是推荐系统用户没有明确的需求,你需要的是一个自动化的工具,它可以分析你的历史兴趣,从庞大的电影库中找到几部符合你兴趣的电影供你选择。这个工具就是个性化推荐系统。推荐系统的主要任务 推荐系统的任务就是联系用户和信息,一方面帮助用户发现对自己有价值的信息,另一方面让信息能够展现在对它感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢 推荐系统与搜索引擎的区别 和搜索引擎一样,...转载 2018-07-31 08:59:07 · 664 阅读 · 0 评论 -
推荐系统实战阅读笔记(二)
1.用户行为分为显示反馈行为和隐士反馈行为 2.用于行为的统一表示3.实验设计与测评数据集:GroupLens提供的MovieLens数据集 测评指标: 精确率/召回率: 对用户u推荐N个物品(记为R(u)),令用户u在测试集上喜欢的物品集合为T(u),然后可以通过准确率/召回率评测推荐算法的精度 覆盖率:该覆盖率表示最终的推荐列表中包含多大比例的物品...转载 2018-07-31 21:58:59 · 730 阅读 · 0 评论 -
推荐系统算法学习(三)——经典模型LR,GBDT+LR,GBDT+FFM
知乎回答:LR,gbdt,libfm这三种模型分别适合处理什么类型的特征,为了取得较好效果他们对特征有何要求? https://www.zhihu.com/question/35821566 参考博客:这些经典模型的优缺点 https://zhuanlan.zhihu.com/p/32689178...转载 2018-08-10 17:08:57 · 9288 阅读 · 0 评论 -
推荐系统框架上的理解
深度解析京东个性化推荐系统演进史: https://blog.csdn.net/qq_40027052/article/details/78733365转载 2018-08-10 17:37:55 · 1712 阅读 · 0 评论 -
推荐系统算法学习(一)——协同过滤(CF) MF FM FFM
1.协同过滤(CF)优点:简单,可解释 缺点:在稀疏情况下无法工作2.MF PMF BPMF优点:更好解决可扩展性和稀疏问题而被广泛用于推荐系统 缺点:矩阵分解时间复杂度高,可采用梯度下降的方法价绍计算复杂度2.1 利用SVD求解MF参考博客:https://www.cnblogs.com/AndyJee/p/7879765.html 任意一个M*N的矩阵A(M行*N...转载 2018-08-02 11:15:50 · 27105 阅读 · 1 评论 -
连续特征的离散化 与 离散特征的连续化
0.前言GBDT擅长处理连续特征 LR擅长处理海量离散特征 但是整合一个数据集都既有连续特征又有分类特征,这就涉及到连续特征的离散化和离散特征的连续化了1.连续特征离散化2.离散特征连续化这篇论文详细介绍了一种根据变量的各个取值下目标变量的似然概率,将分类变量转化为连续变量的方法:https://kaggle2.blob.core.windows.net/forum-messa...原创 2018-08-17 15:28:34 · 4223 阅读 · 3 评论 -
推荐系统算法学习(二)——DNN与FM DeepFM
1.FM 与 DNN和embedding的关系先来复习一下FM 对FM模型进行求解后,对于每一个特征xi都能够得到对应的隐向量vi,那么这个vi到底是什么呢?想一想Google提出的word2vec,word2vec是word embedding方法的一种,word embedding的意思就是,给出一个文档,文档就是一个单词序列,比如 “A B A C B F G”, 希望对文...转载 2018-08-02 20:59:46 · 9823 阅读 · 2 评论