推荐系统
文章平均质量分 87
个性化推荐
healer-c
让灵魂和身体总有一个在路上
展开
-
pytorch 复现 FM
文章目录总述数据预处理处理 users 数据处理用户评分数据将用户数据和评分数据合并数据处理(dataset)模型训练 & 测试main 文件源代码:[myFM](https://gitee.com/walker_c/myFM)总述factorization machines 提出了将特征进行交叉,以达到从特征中学习到更多有价值的信息。它的思想是为每个特征学习一个隐向量,具体请移步因子分解机。本文主要记录使用 MovieLens 数据集复现 FM 的过程。数据预处理为了更好地观察到数据处理后原创 2021-04-28 11:18:07 · 866 阅读 · 4 评论 -
python 处理 MovieLens 数据
文章目录一、总述二、处理流程1. 处理 users 数据2. 处理 movies 数据3. 处理 ratings 数据4. 将 users、movies 和 ratings 数据合并5. one-hot 处理6. 完整代码一、总述该文记录处理 MovieLens-1m 数据集的步骤,首先分别处理用户、电影和评分数据,接着将这三部分数据进行合并,最后 one-hot 处理。二、处理流程1. 处理 users 数据users 数据描述:用户文件有以下字段,分别是用户ID、性别、年龄、职业和邮编(原创 2021-04-15 22:23:17 · 1958 阅读 · 0 评论 -
因子分解机(Factorization Machines)
文章目录因子分解机(Factorization Machines)一、总述二、二阶多项式核 SVM三、因子分解机(FM)四、优化计算复杂度五、梯度因子分解机(Factorization Machines)一、总述线性回归是基本的回归模型之一,其特点就是使用简单,在一些场景下效果也不错,其公式如下:y^=ω0+∑i=1nωixi(1)\hat{y}=\omega_0 + \sum_{i=1}^{n}{\omega_i x_i} \tag{1}y^=ω0+i=1∑nωixi(1)其中,ω0\原创 2021-01-15 16:40:44 · 1747 阅读 · 3 评论 -
推荐系统从入门到实战笔记
文章目录推荐系统从入门到实战1. 推荐系统包含哪些环节2. 推荐系统有哪些召回路径3. Netflix经典的推荐系统架构4. 推荐系统通用架构图(数据流图)5. 推荐系统如何实现多路召回的融合排序6. 如何实现AB测试6.1 AB 测试的定义6.2 为什么需要AB测试6.3 如何实现AB测试6.4 AB测试的常见错误7. 如何实现用户聚类推荐7.1 用户聚类推荐7.2 技术实现流程7.3 用户聚类推荐的优缺点8. 推荐系统 API 接口长什么样子8.1 推荐系统的两大场景8.2 API 接口要完成的任务8.原创 2020-11-27 22:19:52 · 2858 阅读 · 0 评论 -
AutoRec 模型笔记
文章目录AutoRec 模型1. AutoRec 模型定义2. 自编码器3. 模型训练4. 模型工作过程4.1 I-AutoRec 和 U-AutoRec 的区别5. AutoRec的局限性参考资料AutoRec 模型1. AutoRec 模型定义AutoRec 是一个基于自编码器的协同过滤模型,该模型将深度学习中的神经网络和推荐结合。2. 自编码器作用:对于输入向量 r, 通过自编码器后,将得到一个和 r 很接近的向量。对于通过自编码器的数据,相当于取出输入数据的“精华”,即自编码器完成了原创 2020-11-21 21:00:59 · 442 阅读 · 0 评论 -
python实现基于物品的协同过滤算法
文章目录一. 算法思想二. 实现思路三. 源代码四. 代码运行结果一. 算法思想在上篇文章中简单实现了基于用户的协同过滤算法(userCF),该算法存在一些缺点:随着用户数量的增加,计算用户相似度矩阵的时间和空间复杂度增长接近O(N2)O(N^2)O(N2);相比基于物品的协同过滤算法,基于用户的协同过滤算法可解释性稍弱(很难让用户相信:给用户推荐某个商品,原因是有个和该用户兴趣很相似的用户也买了这个商品。用户可能会有疑问:你凭什么说他和我的兴趣很相似)基于物品的协同过滤算法(itemCF)的原创 2020-11-14 19:42:37 · 3871 阅读 · 6 评论 -
python 实现基于用户的协同过滤算法
文章目录算法思想实现思路源代码代码运行结果算法思想基于用户的协同过滤算法的思想是有相似兴趣的用户(user)可能会喜欢相同的物品(item)。因此,计算用户的相似度成为该算法的关键步骤。本文实现过程中使用的相似度公式如下:ωuv=N(u)⋂N(v)N(u)∗N(v)\omega_{uv}=\frac{N(u)\bigcap N(v)}{\sqrt{N(u)*N(v)}}ωuv=N(u)∗N(v)N(u)⋂N(v)其中 N(u) 表示用户 u 看过的电影个数。实现思路数据集本实现使用的数原创 2020-11-11 21:09:34 · 2146 阅读 · 0 评论