![](https://img-blog.csdnimg.cn/20201014180756754.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
互联网大厂推荐算法实战—零基础解析
文章平均质量分 92
Hamiya_0213
这个作者很懒,什么都没留下…
展开
-
互联网大厂推荐算法实战:零基础解析—第二章 推荐系统中的特征工程
算法工程师的工作是将各种来源、各种形式(比如数值、文本、声音、图像)的原始数据,利用恰当的模型(或简单如逻辑斯谛回归[LR]、梯度提升决策树[GBDT],或复杂如含有几亿个参数的超大深度神经网络[DNN],使输入的数据充分交叉融合,挖掘出有意义的模型,制作出有用的模型,服务用户。本章将从一下4个方面详细讨论推荐系统中的特征工程。原创 2024-07-29 17:51:55 · 1145 阅读 · 0 评论 -
互联网大厂推荐算法实战:零基础解析—第三章 推荐系统中的Embedding
第二章讲,高维、稀疏的类别特征是推荐系统中的一等公民,接下来的问题是,我们如何讲这些类别特征喂入推荐模型?目前最常见的接入类别特征的方式是将稀疏的类别特征映射成一个稠密限量,即所谓的Embedding。本章深度聚焦于Embedding这个话题。本章将分以下几个部分展开。原创 2024-07-31 17:36:07 · 609 阅读 · 0 评论 -
互联网大厂推荐算法实战:零基础解析—第一章 推荐系统简介
本书是一本讲究推荐算法、推荐模型的书。也是可以让我们初学者可以从零开始快速入门的一本书,下面我们一起来学习推荐系统(Recommender System)。首先我们需要认识到,推荐模型是现代推荐系统的核心(红色代表重点),但是它也知识推荐系统中的一个模块,而非推荐系统的全部。日志系统收集用户反馈,为系统推荐提供原始数据;大数据系统、流失计算系统从原始数据中提取信息,将它们加工成模型所需的形式;在线学习系统及时更新模型;监控系统让我们观察模型运行是否正常,并且能够自动报警;原创 2024-07-29 16:00:21 · 980 阅读 · 0 评论