推荐系统
文章平均质量分 83
小陈同学-陈百万
这个作者很懒,什么都没留下…
展开
-
推荐系统(6)-注意力机制+深度推荐模型、强化学习推荐系统
注意力机制+深度推荐模型1.AFM -20172.DIN-20173.DIEN-20191.AFM -2017浙江大学–基于模型结构的改进引入注意力机制FM, 可视为NFM模型的改进。给特征交叉池化后的特征向量施加不同的注意力权重。出发点:预测某一男性是否购买某一键盘。那么‘性别为男且历史行为购买过鼠标’ 这一交叉特征 很可能 比 ‘性别为男且年龄为30’这一交叉特征更为重要。具体做法:交叉特征进全联接层,softmax输出 特征权重。全联接层的参数随网络训练(感觉注意力机制池化层就是多加了一个原创 2021-05-24 23:35:34 · 769 阅读 · 0 评论 -
推荐系统(5)-深度推荐模型-AutoRec、DeepCrossing、NeuralCF、PNN、Wide&Deep、FNN、DeepFM、NFM
GBDT+LR《深度学习/推荐系统》读书笔记2016年开始,推荐系统和计算广告全面进入深度学习时代。AutoRec原创 2021-05-19 23:15:30 · 485 阅读 · 0 评论 -
推荐系统(4)-逻辑回归LR、POLY2、FM、FFM
逻辑回归《深度学习/推荐系统》读书笔记融合多种特征,通过sigmoid 函数,预测样本z的被点击的概率。f(z)=11+e−zf(z)=\frac{1}{1+e^{-z}}f(z)=1+e−z1CTR-Click Through Rate将用户的年龄、性别、物品属性、描述、时间、地点等特征数值化成特征向量确定罗辑回归模型的优化目标(点击率模型就是最大似然函数),训练模型权重参数推断阶段,输入特征向量,得到某个用户对物品点击的概率对物品点击概率进行排序后推荐。记样本被点击的概率为P(原创 2021-04-29 23:40:16 · 649 阅读 · 0 评论 -
推荐系统(3)-协同过滤2-矩阵分解算法
协同过滤《深度学习/推荐系统》读书笔记上一小节的代码:spark 是个什么?原创 2021-04-26 23:28:46 · 308 阅读 · 0 评论 -
推荐系统(2)-协同过滤1-UserCF、ItemCF
协同过滤1.CF概述2.数据表示3.衡量相似度4.共现矩阵5.UserCF6.ItemCF7.UserCF 与ItemCF 应用场景、主要缺陷《深度学习/推荐系统》读书笔记推荐系统的发展一日千里传统的推荐模型(2010年前后):协同过滤、罗辑回归、因子分解、梯度提升树深度学习推荐模型(2015年后):…在深度学习推荐模型成为推荐、广告、搜索领域的主流,但是传统推荐模型学习十分必要。因其为深度学习推荐模型的基础,并且具备可解释性强、硬件环境要求低,易于快速训练和部署等不可替代的优势。1.CF概述原创 2021-04-24 23:54:36 · 470 阅读 · 0 评论 -
推荐系统(1)-概述
推荐系统概述1.数据部分2.模型部分2.1模型的组成2.2模型的训练2.3模型评估《深度学习/推荐系统》读书笔记推荐系统要处理的问题:对于用户U(user),在特定的场景C(context),针对海量的“物品信息”,构建一个模型f(U,I,C)f(U,I,C)f(U,I,C), 预测用户对于特定候选物品I(item)的喜好程度,再依据喜好程度对所有候选物品进行排序,生成推荐列表的问题。推荐系统的最终优化目标包括两个维度:用户体验的优化公司商业利益的优化在信息过载的时代,如何高效推荐。推荐算原创 2021-04-22 00:10:52 · 82 阅读 · 0 评论