- 博客(5)
- 收藏
- 关注
RSS订阅原创 Wide&Deep
点击率预估简介通过上述点击率预估的基本概念，我们会发现其实点击率预估问题就是一个二分类的问题，在机器学习中可以使用逻辑回归作为模型的输出，其输出的就是一个概率值，我们可以将机器学习输出的这个概率值认为是某个用户点击某个广告的概率。FM存在的缺点其缺点在于：当query-item矩阵是稀疏并且是high-rank的时候（比如user有特殊的爱好，或item比较小众），很难非常效率的学习出低维度的表示。这种情况下，大部分的query-item都没有什么关系。但是dense embedding会导致几乎
2020-10-27 20:32:03
104
原创 矩阵分解
1.隐语义模型的核心思想是通过隐含特征（latent factor）联系用户兴趣和物品（item）， 基于用户的行为找出潜在的主题和分类， 然后对item进行自动聚类，划分到不同类别/主题(用户的兴趣)。先说说协同过滤算法， 这样好对比不同：对于UserCF，首先需要找到和他们看了同样书的其他用户（兴趣相似的用户），然后给他们推荐那些用户喜欢的其他书。对于ItemCF，需要给他们推荐和他们已经看的书相似的书，比如作者B看了很多关于数据挖掘的书，可以给他推荐机器学习或者模式识别方面的书。潜在因子——
2020-10-24 23:20:15
320
原创 协同过滤算法
1. 协同过滤算法基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用户推荐物品(基于对用户历史行为数据的挖掘发现用户的喜好偏向， 并预测用户可能喜好的产品进行推荐)而这种方法主要有下面两种算法：基于用户的协同过滤算法(UserCF): 给用户推荐和他兴趣相似的其他用户喜欢的产品基于物品的协同过滤算法(ItemCF): 给用户推荐和他之前喜欢的物品相似的物品2. 相似性度量方法杰卡德(Jaccard)相似系数 这个是衡量两个集合的相似度一种指标。两个用户uuu和vvv交互商品交集的
2020-10-22 23:26:50
157
原创 强化学习概述
强化学习强化学习与监督学习监督学习1.输入的数据，标定的数据，它都是没有关联的，尽可能没有关联。因为如果有关联的话，这个网络是不好学习的。2.我们告诉这个 learner 正确的标签是什么，这样它可以通过正确的标签来修正自己的这个预测。强化学习1.在游戏过程中，大家可以发现这个 agent 得到的观测不是个 i.i.d 的分布，上一帧下一帧其实有非常强的连续性。2.另外一点，在玩游戏的过程中，你并没有立刻获得这个反馈。比如你现在把这个木板往右移，那么只会使得这个球往上或者往左上去一点，你并不会
2020-10-20 23:24:53
335
原创 推荐系统综述
1. 推荐系统简介1.What用户：推荐系统是一种帮助用户快速发现有用信息的工具公司：推荐系统是一种增加公司产品与用户接触,购买等行为概率的工具2.Why用户：在用户需求并不十分明确的情况下进行信息的过滤,与搜索系统相比,推荐系统更多的利用用户的各类历史信息猜测其可能喜欢的内容公司：解决产品能够最大限度地吸引用户,留存用户,增长用户黏性,提高用户转化率,从而达到公司商目标连续增长的目的.本质上是一种实现将用户-商品-公司之间利益最大化的手段.3. Who从上面的1和2可以看出用户与公司是需
2020-10-19 20:11:03
130
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