序列模型-小思考

该博客探讨了多种推荐系统技术,包括基于知识图谱、序列、协同过滤和上下文的推荐。强调了在无用户信息的情况下,如何通过用户行为如搜索历史和浏览行为进行个性化推荐。同时,讨论了解决冷启动问题的策略,如推荐最新和热门商品。此外,介绍了将不同数据类型如浮点型、类别型和序列型转换为向量的方法,以用于模型训练。
摘要由CSDN通过智能技术生成

基于知识图谱的推荐
基于序列的推荐
基于协同过滤的推荐
基于上下文的推荐

序列模型解决问题:
和用户不相关的,比如头条新闻,用户没有登陆,只要根据行为,比如点击了哪里,在输入框中输入的关键词,浏览量什么频道的消息。只要有相似的行为,就可以推荐相似的新闻,这样就越过了用户信息。比如用户在美团上一小时搜索了的食物,我们就推荐搜索相关的食物。

冷启动问题:
最新商品
热门商品

把一个东西表示成向量有几种模式:
1:浮点型,比如年龄,把年龄分别乘上一个固定的初始64维向量。
2:类别型,比如性别,男女。随机初始化成64维度的向量。
3:序列型,比如电影类型,把电源的每一个类型都表示成64维度的向量,然后相加,求均值,求最大值。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值