推荐系统
文章平均质量分 89
主要分享推荐系统的相关方法和工程应用,本栏主要包括推荐系统的特征工程方法、模型设计、落地应用等
华师数据学院·王嘉宁
研究方向:深度学习、自然语言处理、知识图谱。
研究兴趣:大语言模型训练与推理、知识增强预训练、Prompt-tuning、小样本学习、问答系统、信息抽取。
展开
-
【推荐系统】协同过滤算法
协同过滤算法推荐系统构建三大方法:基于内容的推荐content-based,协同过滤collaborative filtering,隐语义模型(LFM, latent factor model)推荐。这篇博客主要讲协同过滤。——《推荐系统:协同过滤collaborative filtering》协同过滤(CF, Collaborative Filtering)的主要思想是:利用已有的用户群过去的行为或者意见预测当前用户最可能喜欢哪些东西或者对哪些东西感兴趣。主要应用场景是在线零售系统,目的是进行原创 2021-02-24 14:50:43 · 809 阅读 · 0 评论 -
【推荐系统】推荐系统概论
推荐系统概论如果我们能为搜狗的用户推荐更合适的广告,让广告点击率增长1%,就能为公司增加上千万的利润——《深度学习推荐系统 ·王喆》随着当今技术的飞速发展,数据量也与日俱增,人们越来越感觉在海量数据面前束手无策。正是为了解决信息过载(Information overload)的问题,人们提出了推荐系统(与搜索引擎对应,人们习惯叫推荐系统为推荐引擎)。当我们提到推荐引擎的时候,经常联想到的技术也便是搜索引擎。不必惊讶,因为这两者都是为了解决信息过载而提出的两种不同的技术,一个问题,两个出发点,我更原创 2021-02-22 22:43:37 · 1336 阅读 · 0 评论 -
论文解读:MeLU:Meta-Learned User Preference Estimator for Cold-Start Recommendation
论文解读:MeLU:Meta-Learned User Preference Estimator for Cold-Start Recommendation 推荐领域内的一个痛点问题是冷启动问题,现如今许多学术界在推荐领域内的研究都指向该问题。事实上,冷启动可以认为是一种由于用户-物品交互数据缺乏所导致的,自然而然可以想到利用小样本学习的方法,使得我们训练的模型可以在很少的样本前提下就能够给出较好的推荐效果。一、简要信息序号属性值1模型名称MeLU2所属领域推荐系原创 2020-10-30 12:14:06 · 2859 阅读 · 8 评论 -
抖音推荐的背后原理——大数据+推荐
抖音推荐的背后原理——大数据+推荐 大数据作为当前热门的话题,在软件开发与人工智能领域的敲门砖,各大厂都需要接触过大数据应用项目的人才。本文以大数据处理为出发点,浅层地讲述抖音推荐的背后原理。关键词:大数据、推荐系统、关系图谱、数据中台、联邦学习什么是大数据? 大数据具备5V特性分别是:(1)Volume:数据量大,包括采集、存储和计算的量都非常大。大数据的起始计量单位至少是P(1000个T)、E(100万个T)或Z(10亿个T)。(2)Variety:种类和来源多样化。包括结构化、半结构化原创 2020-09-22 12:11:43 · 32142 阅读 · 0 评论 -
【推荐系统】RippleNet——基于知识图谱偏好传播的推荐系统
【推荐系统】RippleNet——基于知识图谱偏好传播的推荐系统论文名称:《RippleNet: Propagating User Preferences on the Knowledge Graph for Recommender Systems》PDF:https://arxiv.org/pdf/1803.03467源码地址:https://github.com/hwwang55/RippleNet.一、前言 推荐系统(Recommender System, RS)作为最经典最重要的人工智原创 2020-09-13 22:19:39 · 3511 阅读 · 2 评论