推荐系统笔记
入门推荐系统的学习笔记
米饭咔咔吃
知识备忘录
展开
-
入门推荐系统——GBDT+LR
1.GBDT+LR介绍前面介绍的协同过滤和矩阵分解存在的劣势就是仅利用了用户与物品相互行为信息进行推荐, 忽视了用户自身特征, 物品自身特征以及上下文信息等,导致生成的结果往往会比较片面。 而这次介绍的这个模型是2014年由Facebook提出的GBDT+LR模型, 该模型利用GBDT自动进行特征筛选和组合, 进而生成新的离散特征向量, 再把该特征向量当做LR模型的输入, 来产生最后的预测结果, 该模型能够综合利用用户、物品和上下文等多种不同的特征, 生成较为全面的推荐结果, 在CTR点击率预估场景下使用原创 2020-10-30 20:16:31 · 186 阅读 · 0 评论 -
入门推荐系统——Wide&Deep
1.点击率预估简介点击率预估用来解决什么问题?点击率预估是对每次广告点击情况作出预测,输出点击或者不点击,也可以输出该次点击的概率,有时后者称为pClick。点击率预估模型需要做什么?通过点击率预估的基本概念,发现其实点击率预估问题是一个二分类问题,在机器学习中,使用逻辑回归作为模型的输出,其输出的是一个概率值,将机器学习输出的概率认为是某个用户点击某个广告的概率。点击率和推荐算法有什么不同?广告点击率预估是需要得到某个用户对某个广告的点击率,然后结合广告的出价排序。推荐算法大多数只需要得到一原创 2020-10-27 22:02:50 · 440 阅读 · 1 评论 -
入门推荐系统——FM因子分解机模型
文章目录1.FM模型2.FM公式理解3.应用4.代码时间实战:电影评分数据实战:分类任务5.思考6.参考1.FM模型逻辑回归模型及其缺点做推荐CTR预估时最简单的思路就是将特征做线性组合(逻辑回归LR),传入sigmoid中得到一个概率值,本质上这就是一个线性模型。sigmoid是单调增函数不会改变里面的线性模型的CTR预测顺序,因此逻辑回归模型效果会比较差。即LR的缺点:是线性模型个特征对最终输出结果独立,需要手动特征交叉(xi∗xjx_i*x_jxi∗xj),比较麻烦二阶交叉项原创 2020-10-25 11:51:47 · 499 阅读 · 0 评论 -
入门推荐系统——矩阵分解
文章目录1.隐语义模型与矩阵分解2.隐语义模型3.矩阵分解算法4.矩阵分解算法求解5.LFM6.编程实现7.思考8.参考1.隐语义模型与矩阵分解协同过滤算法完全没有利用到物品本身或者是用户自身的属性, 仅仅利用了用户与物品的交互信息就可以实现推荐,是一个可解释性很强, 非常直观的模型。存在问题, 第一个就是处理稀疏矩阵的能力比较弱。所以矩阵分解模型(Matrix Factorization,MF)或者叫隐语义模型, 就是在协同过滤共现矩阵的基础上, 使用更稠密的隐向量表示用户和物品, 挖掘用户和物品的原创 2020-10-25 10:56:01 · 684 阅读 · 0 评论 -
入门推荐系统——协同过滤
原始发表时间:2020-10-20转载请注明出处。https://blog.csdn.net/qq_45048482/article/details/109171929如有侵权,请联系 [email protected] 删除。目录1.协同过滤算法2. 相似性度量方法1. 杰卡德(Jaccard)相似系数2. 余弦相似度3. 皮尔逊相关系数3.基于用户的协同过滤思想:当一个用户A需要个性化推荐的时候, 我们可以先找到和他有相似兴趣的其他用户, 然后把那些用户喜欢的, 而用户A没有听说过的.原创 2020-10-22 00:00:01 · 223 阅读 · 0 评论 -
入门推荐系统——概述
推荐系统概述核心内容1.推荐系统介绍2.评价指标3.召回4.课后思考5.参考原始发表时间:2020-10-19转载请注明出处。如有侵权,请联系 [email protected] 删除。最近在学习推荐系统,输出读书笔记,请各位多多指教!核心内容协同过滤算法:基于用户的协同过滤(UserCF)和基于商品的协同过滤(ItemCF),入门必看矩阵分解算法:引入了隐向量的概念,加强了模型处理稀疏矩阵的能力FM:在LR模型的基础上加上了特征交叉项GBDT+LR:使用树模型做特征交叉,相原创 2020-10-19 23:57:35 · 270 阅读 · 1 评论