推荐系统
文章平均质量分 85
小威程序员
巧遇Bug
展开
-
Causal Intervention for Leveraging Popularity Bias in Recommendation(更文中……)
这里写目录标题Causal Intervention for Leveraging Popularity Bias in Recommendation(在推荐中利用受欢迎度偏差的因果干预)摘要1,IntroductionCausal Intervention for Leveraging Popularity Bias in Recommendation(在推荐中利用受欢迎度偏差的因果干预)用的数据集来源:Kwai(快手)、豆瓣、腾讯摘要1,流行度偏差问题:马太效应,流行度的物品更流行,不流行的物品原创 2022-03-08 09:08:49 · 312 阅读 · 0 评论 -
DICE model
Dice模型1,introduction2,motivation and problem overview_概述三级目录摘要:用户对流行项目的一致性可能会影响用户的真实兴趣,(消除流行偏见),例如。通过重新加权训练样本或利用一小部分无偏数据。然而,这些方法忽略了用户一致性的多样性,并且将交互的不同原因捆绑在一起作为统一表示,因此,当潜在原因发生变化时,鲁棒性和可解释性无法得到保证。用户一致性:?????通用框架的提出:DICE,可以学习在结构上分离兴趣和一致性的表示,并且可以顺利集成各种主干推荐模型原创 2021-09-15 19:40:12 · 1525 阅读 · 0 评论 -
贝叶斯个性化推荐(BPR)
贝叶斯推荐算法的解释对应文章二级目录三级目录对应文章文章链接放在下面:刘建平贝叶斯详解二级目录三级目录原创 2021-07-16 20:26:53 · 330 阅读 · 0 评论 -
最大似然估计——2021-07-16
最大似然估计似然函数最大似然估计似然函数在一些非正式场合,似然和概率几乎是等价的。而在统计学中中,这是两个完全不一样的概念!在学习最大似然的前面,我们有必要先知道,何为似然?鉴于似然和概率息息相关,把他们两个放在一起对比理解是再好不过了。概率:在特定环境下某件事情发生的可能性也就是结果没有产生之前依据环境所对应的参数来预测某件事情发生的可能性。似然:根据事件的结果来判断这个事情本身的性质(参也就是某件事件发生了,那么这个事件在不同条件下发生的可能性。通过定义不难发现,这两个的结果都是一个“概率值原创 2021-07-16 20:23:58 · 370 阅读 · 0 评论 -
贝叶斯算法——入门篇——2021-07-15
贝叶斯算法(机器学习)提出贝叶斯(约1701-1761)Thomas Bayes,英国数学家源于贝叶斯生前为解决**“逆概”**问题而写的一篇文章,“逆概”就是逆向概率的意思,由于当时的社会背景和人们的认知局限,人们并没有对这篇文章投以肯定的目光(题外话:很多大的超前的成就是不能被当时的人们所接受的,所以大家可以大胆的去探索自己思考的东西,不要不敢发声),在它去世后,其朋友拿着这篇文章为他赢回了“曙光”。知识储备(1)正向概率与逆向概率这是贝叶斯需要解决的两个问题正向概率:在知道事物比例的情况原创 2021-07-15 17:53:46 · 578 阅读 · 0 评论 -
k-means 算法 2021-04-25
K_means算法简介二级目录三级目录简介k_means?刚接触的时候,感觉是很陌生的。不过不要怕,有我这个Z小白来解释,相信会对你有所裨益。k-means算法就是一种机器学习常用的聚类算法,当然在环境学,生物学,天文学…等各个领域都有他的身影。他要解决的问题我们可以用图像形象的表示一下:二级目录三级目录...原创 2021-04-25 17:07:00 · 465 阅读 · 0 评论 -
KNN算法 2021-04-21
KNN算法KNN(K-nearst neighbors)二级目录三级目录KNN(K-nearst neighbors)KNN算法的全称为K近邻算法,结合英文不难理解,就是找到k个最邻近的数据来聚合成一类,然后把这一类作为具有某种特征的二级目录三级目录...原创 2021-04-24 21:15:10 · 508 阅读 · 2 评论 -
矩阵分解-梯度下降
基于梯度下降的矩阵分解一,矩阵分解能够解决的推荐问题二,矩阵分解1,矩阵分解的优势2,矩阵分解的思想3,基于矩阵分解的推荐算法步骤3.14,实例说明4.1 例子一,矩阵分解能够解决的推荐问题假如你得到了用户对商品的打分数据,数据形式如下:Item1I2I3I4User153-1U24--1U311-5U41--4U5-154二,矩阵分解1,矩阵分解的优势矩阵的分解,其实有三种方法。1.特征值分解(Ei原创 2021-04-17 17:24:57 · 509 阅读 · 0 评论 -
线性回归(梯度下降)2021-04-16
线性回归(+gradient desent)线性回归基本思想1,线性回归1.1线性回归概念1.2 回归参数的求解方法1.21 最小二乘法(least square method)1.22 梯度下降法(gradient descent,GD)2,一元线性回归实例2.1 手工推导2.2 代码实现线性回归基本思想线性回归是我们高中学习的线性回归的思想延伸,所以本人感觉不是很难接受。线性回归是通过若干个相关的离散的点来模拟出的能够预测(由自变量改变引起)因变量的线性图线的一种思想和方法。1,线性回归1原创 2021-04-16 17:39:10 · 502 阅读 · 0 评论 -
梯度下降--详解
梯度下降梯度下降1.1 方向导数1.2梯度1.3 梯度下降1.31 基本思想1.32 核心公式1.33 一般步骤1.4 实例1.411.42 代码前言,本人关于梯度下降的见解会随着鄙人认识的深浅进行更新,欢迎小白和我一起探寻,也欢迎大佬们指教一二。梯度下降梯度?第一次接触这个词有没有让你想到“梯子”呢,梯度其实也是用于下高度而引出的梯度,但不是下楼梯,更为形象的比喻为下山,站在山峰之巅,如何快速地下到山脚?就是我们要研究的梯度下降问题。1.1 方向导数要说明梯度下降,不可避免地要引入梯度的有关概原创 2021-04-15 16:55:37 · 1358 阅读 · 0 评论 -
推荐算法---协同过滤2021-4-13
协同过滤前言一、什么是协同过滤?(Collaborative Filtering)二、协同过滤涉及的相关性强弱的计算(相似度)三、具体分类1.基于用户的协同过滤(UserCF)1.1实例解说UserCF1.112.读入数据总结欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新原创 2021-04-13 22:13:02 · 1471 阅读 · 8 评论