roguesir的博客

【推荐算法】推荐系统中的特征工程（五）：特征样本构造工具的实现3

【推荐算法】推荐系统中的特征工程（四）：特征样本构造工具的实现2

【推荐算法】推荐系统中的特征工程（三）：特征样本构造工具的实现1

【推荐算法】推荐系统中的特征工程（二）：特征选取及重要性分析

【推荐算法】推荐系统中的特征工程（一）：特征处理

推荐算法中常用的样本处理方式及其scala实现

FiBiNET: Combining Feature Importance and Bilinear featureInteraction for Click-Through Rate Prediction论文详解

前言FM系列模型目前已经普遍应用于推荐系统中，网上相关文章和介绍也很多，本文将FM系列论文做一次总结。

这片论文是Hinton在15年提出的，为了提升模型的有效性，模型的复杂度的不断增加，上线实时提供服务成了难题，而知识蒸馏的思路正好可以解决这个问题，同时模型的效果相比复杂模型也不会下降太多。论文中以生物中蝴蝶变态发育作类比介绍知识蒸馏：通过不同的形态，完成同样的使命（任务）。Hinton提出可以通过一个简单模型直接学习复杂模型的概率分布结果，如果one-hot的目标是一种hard-targets，那么这种就是一种soft-targets。一种方法是直接比较logits来避免这个问题。具体地，对于每一.

SENet这篇文章是CNN based，目前在推荐领域应用也很广泛，正好前几天看了MaskNet的论文，回头看这篇论文时候，发现SE block的作用和Mask block作用相似，顺便记录一下～SENet论文中给出的结构如下，由于论文是在CNN模型中提出的SE block基本的流程如下：zc=Fsq(uc)=1H×W∑i=1H∑j=1Wuc(i,j)z_c=F_{sq}(u_c)=\frac{1}{H \times W}\sum_{i=1}^{H}{\sum_{j=1}^{W}{u_c(i,j).

MaskNet: Introducing Feature-Wise Multiplication to CTR Ranking Models by Instance-Guided Mask

AbstractFeature engineering has been the key to the success of many prediction models. However, the process is nontrivial and o en requires manual feature engineering or exhaustive searching. DN...

前言这一系列文章会来介绍推荐系统，也是我边学习边分享的过程，之前有接触过，但这次会较为系统的学习研究，所以打算把自己学到的东西整理成文章，如果有疏漏之处还请指出。 个人认为推荐算法是机器学习领域中应用最广、也是最具有商业价值的，电商领域可以发现潜在用户、增加购买率、提高商品曝广度、增加销售额，娱乐行业可以用它来寻找用户兴趣点、发现用户喜好，从而推荐相应的新闻、广告、电影等增加点击率，可以说，...

前言这个项目是以前实习时候跑的，基于AutoEncoder实现图片搜索推荐，涉及算法有AutoEncoder、KNN、余弦相似度测量等，项目在Mac OS环境下实现。项目原理AutoEncoderAutoEncoder作为一种无监督算法，通过encode和decode两个过程实现，当encode和decode过程均为一层时，AE很类似PCA；多层时，又有些类似神经网络。 ...

https://arxiv.org/pdf/1906.04365.pdf