本文是《推荐系统与深度学习》的读书笔记，概述了推荐系统的概念，包括基于内容、协同过滤的推荐算法，特别讨论了SVD及其变种。此外，介绍了深度学习在推荐系统中的应用，如DNN的优化算法、CNN和序列模型，以及TensorFlow的基础知识。
2019.10.11至2019.10.13期间，自己阅读了《推荐系统与深度学习》这本书。通过对书中的内容的学习，自己了解和掌握了推荐系统的基本知识、算法和架构。下面，自己将按照书中的内容顺序对每章的内容进行整理。
第一章 什么是推荐系统（对相关内容的简介）
1.1 推荐算法和系统
基于内容的推荐算法：涉及TF-IDF。
主流推荐算法：基于协同过滤的推荐算法。
该算法最早由亚马逊提出并应用。
可被划分为：物品协同过滤、用户协同过滤、基于模型的协同过滤。
其中，基于模型的协同过滤包括聚类模型和贝叶斯网络等。目前最为广泛使用的是奇异值分解SVD方法。考虑到用户的隐形行
为和时间变化的维度，在此基础上衍生出SVD++、time-SVD++、三维矩阵分解等法。
混合推荐系统：特征很重要！
可将推荐问题转化为分类问题，之后使用LR等模型进行CTR预测。
基于深度学习的推荐系统。
推荐系统的架构：要求线
最低0.47元/天 解锁文章
扫一扫
25万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
