推荐系统
文章平均质量分 72
junjian Li
如若前路不明,请俯首看脚下.
展开
-
word2vec代码
from gensim.models import Word2Vecdef emb(df, f1, f2): emb_size = 16 print('====================================== {} {} ======================================'.format(f1, f2)) tmp = df.groupby(f1, as_index=False)[f2].agg( {'{}_{}_list原创 2021-09-23 22:20:01 · 584 阅读 · 0 评论 -
CatBoostError: catboost/libs/data/model_dataset_compatibility.cpp:236: Feature 0 from pool must be**
CatBoostError: catboost/libs/data/model_dataset_compatibility.cpp:236: Feature 0 from pool must be**再跑catboost预测的时候,出现这个错误。原因是因为在训练的时候有0这个feature,而在测试的时候,却有了0这个feature。总结为一句话:训练和测试的特征不一致。...原创 2021-07-24 19:28:59 · 860 阅读 · 0 评论 -
多目标学习与MMOE
多目标模型的意义现实世界中,我们的业务目标往往不是单一的。比如购物APP中,我们不仅仅希望你浏览商品,也希望你购买商品,甚至分享商品,评论商品。再比如短视频推荐,我们不单希望你看视频,也希望你点赞、评论、分享视频,还希望你能关注发布的作者。因此多目标模型的出现,就可以让我们的场景同时服务到这些目标。于此同时,对于一些正样本稀疏的目标,多目标模型甚至可以让他们的目标实现远超预期.MMoE简介多任务学习的目的在于用一个模型来同时学习多个目标和任务,但常用的任务模型的预测质量通常对任务之间的关系很敏感,因此转载 2021-07-22 15:47:10 · 551 阅读 · 0 评论 -
推荐系统概述
传统推荐系统及深度学习推荐系统的演化关系图(图来自《深度学习推荐系统》) 传统推荐系统(左),深度学习推荐系统(右)核心内容:协同过滤算法: 包括基于用户的协同过滤(UserCF)和基于商品的协同过滤(ItemCF),这是入门推荐系统的人必看的内容,因为这些算法可以让初学者更加容易的理解推荐算法的思想。矩阵分解算法: 矩阵分解算法通过引入了隐向量的概念,加强了模型处理稀疏矩阵的能力,也为后续深度学习推荐系统算法中Embedding的使用打下了基础。FM(Factorization Mac原创 2021-04-14 22:06:36 · 426 阅读 · 0 评论