推荐系统
文章平均质量分 61
qq_32659887
这个作者很懒,什么都没留下…
展开
-
文章标题
read_book:198万user2:用户列去重 38万 得到对应索引 item2:书列去重 7万 得到对应索引 content:类别 199训练集:对于同一用户合并同类别的书为大类787966条数据验证集:195915行数据,对于同一用户合并同类别的书为大类150575条数据。 去除训练集中没有出现过的用户以及类别没有出现在训练集集中的行数据150569 包括原创 2017-09-22 20:24:03 · 157 阅读 · 0 评论 -
深度神经网络用于youtobe推荐
ABSTRACTYouTube 是目前最复杂规模最大的推荐系统之一。two-stage信息检索二分法: 深度候选生成模型和深度排序模型。INTRODUCTIONYouTube视频推荐三大主要难点: • 规模:很多现有的方法不适用于如此大规模的推荐系统。 高度专业化的分布式学习算法和有效的服务系统对于处理ouTube庞大的用户基础和语料库是必不可少的。 • 及时性:上传量大. 对新上传的内容和用户翻译 2017-09-25 15:48:55 · 360 阅读 · 0 评论 -
wide & deep论文-----2016.6.24
摘要具有非线性特征变换的广义线性模型被广泛应用于具有稀疏输入的大规模回归和分类问题。 通过广泛的跨产品特性转换,特征交互记忆是有效的和可解释的。 然而泛化性能要求更多的特征工程。 基于少量的特征工程,通过对稀疏特征转换为低维密集的embedding,深度神经网络对于新出现的特征组合具有更好的泛化性能。然而深度圣经网络容易过度泛化,当user-item 交互很稀疏和高秩时,从而推荐很少具有相关性的产翻译 2017-09-22 10:36:26 · 426 阅读 · 0 评论 -
预测广告点击率-FACEBOOK2014
摘要本文提出了一个模型结合逻辑回和决策树,比单用任何其中一种方法都提高了3%。然后我们探索了多种参数如何影响系统性能。最重要的是有合适的特征:那些捕获关于用户和广告的历史信息。一旦我们有了合适的特征和合适的模型,其他因素的作用就很小。通过对新鲜的数据最优的处理,学习率策略和数据采样轻微的提高了模型表现。 介绍实验设置:为了实现严密的和可控的试验,我们准备了选取13年第四季度中任意一周的数据作为线下翻译 2017-10-12 08:37:26 · 752 阅读 · 0 评论 -
DSSTNE
官方文档依次建立,so easy 文档cudn安装没有给定教程,推荐参考 作者写的很详细,遇到的问题和我一样,瞬间得到解决由于个人gpu为Pascal架构,查了一下是比费米级和开普勒更高级的新的gpu,所以在运行测试案例时遇到问题:Error: invalid device function launching kernel kScaleAndBias_kernel 经查证作者回复,是因为原创 2017-10-12 08:53:01 · 385 阅读 · 0 评论 -
《Wide & Deep Learning for Recommender Systems》
推荐系统:检索:机器学习模型+人工规则,根据Item特征和query生成候选集。 排序:wide&deep模型对候选集中的query-Item对进行打分排名。 排序模型:模型原理:wide:广义线性模型: 优点:简单、扩展性好、可解释性好。利用分类特征及其交叉特征可以很好的实现对共现特征对的记忆,挖掘历史信息中的相关特征或Item。 缺点:依赖大量的人工特征工程。要实现泛化需要通过更粗粒度原创 2017-12-13 21:25:10 · 301 阅读 · 0 评论