推荐常见特征总结

原创 已于 2022-03-11 14:02:10 修改 · 297 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#推荐系统

于 2022-02-25 14:09:14 首次发布
本文探讨了在构建推荐系统时，如何处理和利用用户特征（如性别、年龄、兴趣和行为历史）以及商品特征（如点击量、曝光次数和标签）。通过onehot编码、item_embedding_model和高斯衰减函数等技术，揭示了这些特征在预测用户行为和提升推荐精度中的关键作用。同时，强调了时间因素在用户行为序列中的注意力模型应用，以捕捉用户兴趣的实时变化。

1、用户特征

特征名称是否建议特征特征处理方式
姓名否
id否

性别

是onehot
年龄是num
兴趣是multi-hot
所属省是onehot
所属市是onehot
所属县是onehot
所属国家或地区是onehot
用户浏览商品是item_embedding_model
用户浏览商品时间是attention_item_embedding_model
用户收藏商品是item_embedding_model
用户收藏商品时间是attention_item_embedding_model
用户点赞商品是item_embedding_model
用户点赞商品的时间是attention_item_embedding_model
用户关注是item_embedding_model
用户关注的时间是attention_item_embedding_model

2、item 特征

特征名称是否建议特征特征处理方式
name是wordemdding
总点击量是num
中期点击量是num
长期点击量是num

上架时间

是高斯衰减函数
总曝光次数是num
中期曝光次数是num
长期曝光次数是num
标签是onehot
中期分享次数是num
推荐引擎的魔力：个性化推荐背后的技术
张彦峰的博客
11-04 10万+
推荐引擎的工作过程是一个复杂的流程，需要深入了解用户兴趣、文章内容和各种推荐算法，以生成个性化的推荐列表。这个过程结合了用户行为数据的分析、用户画像、文章画像以及不同的推荐策略，以提供用户满意的推荐体验。不同的推荐系统可以根据需求和数据采用不同的组合和算法。在建立用户画像和文章画像之后，推荐引擎可以根据需求采用不同的推荐算法来为用户提供文章推荐。主要的推荐算法分为两大类：基于统计的静态召回算法和个性化召回算法。
推荐系统模型总结——特征交叉
iwtbs
11-18 5554
DCN改进版FMFFMDCNDCN-M背景模型改进思路反思 FM FFM DCN 特征经过embedding、stack后，分别输入cross network和DNN，两路的输出stack后经过单层nn映射为一维的预测分数。 embedding/stack/DNN不必赘述，主要看cross network。cross network的核心思想是更高效地实现显式特征交叉，每一层的计算如下： x0,xl,wl,blx_0,x_l,w_l,b_lx0​,xl​,wl​,bl​ 都是d维的列向量，形状是(d,1
推荐系统实战
weixin_33989058的博客
09-26 583
推荐算法：基于特征的推荐算法 推荐算法准确度度量公式： 其中，R(u)表示对用户推荐的N个物品，T(u)表示用户u在测试集上喜欢的物品集合。 集合相似度度量公式(N维向量的距离度量公式)： Jaccard公式： 其中，N(u)表示用户u有过正反馈的物品集合。 余弦相似度公式： UserCF公式： 其中，S(u,k)表示和用户u兴趣最接近的K个用户集合；N(i)表...
特征工程：推荐系统有哪些可供利用的特征？
l491899327的博客
11-25 1018
特征工程：推荐系统有哪些可供利用的特征？一、什么是特征工程二、构建推荐系统特征工程的原则三、推荐系统中的常用特征1. 用户行为数据用户 如果说整个推荐系统是一个饭馆，那么特征工程就是负责配料和食材的厨师，推荐模型这个大厨做的菜好不好吃，大厨的厨艺肯定很重要，但配料和食材作为美食的基础也同样重要。而且只有充分了解配料和食材的特点，我们才能把它们的作用发挥到极致。 现在，我们就先来讲讲特征工程，说说到底什么是特征工程，构建特征工程的基本原则是什么，以及推荐系统中常用的特征有哪些。 一、什么是特征工程 在推荐系统
个性化推荐系统中的用户建模及特征选择
12-24
个性化推荐系统中的用户建模及特征选择个性化推荐系统中的用户建模及特征选择
基于特征的推荐算法
beiyouzidonghua的专栏
01-16 888
推荐算法准确度度量公式：   其中，R(u)表示对用户推荐的N个物品，T(u)表示用户u在测试集上喜欢的物品集合。 集合相似度度量公式(N维向量的距离度量公式)： Jaccard公式：  其中，N(u)表示用户u有过正反馈的物品集合。 余弦相似度公式：  UserCF公式：  其中，S(u,k)表示和用户u兴趣最接近的K个用户集合；N(i)表示对物品i有过正反馈的用户集合；w(u,v
推荐系统初学者系列（1）-- 基于特征的推荐算法
私人天地
04-21 4168
目录 目录 1. 推荐算法准确度度量公式： 2. 集合相似度度量公式(N维向量的距离度量公式)： 2.1Jaccard公式： 2.2余弦相似度公式： 3. UserCF公式： 4. ItemCF公式： 5. LFM公式： 6. TagCF公式： 7. 关系链推荐公式： 8. 信息流推荐公式： 9. 推荐算法小结 推荐系统架构 1. 推荐算法准确度度量公式： Rec...
Seaborn常见绘图总结
热门推荐
平凡简单的执着
01-24 9万+
以前粗略的学习过Matplotlib绘图、Pandas绘图，但是都未深入的去学习过，一遇到问题就翻文档，效率低下。听“他们”说matplotlib中的seaborn绘图很好看而且实用，所以，这里系统的总结一下seaborn常见的图形绘制。其目的也是很简单的啦，方便我自己查看（英文很菜，每次都查单词……）。 差点忘了，这里使用的数据还是seaborn的默认数据，很多人再看seaborn的时候对数据一...
pandas 线性回归 特征预处理常见问题总结
yangzhenyu2的博客
03-18 1761
一、数值特征处理 1.方法 常见的数值特征处理方式：标准化，有很多种方法网上很多，可以自己去查，常见的有极差标准化法、Z-score标准化法等 2.目的 经过标准化处理的数值特征，在模型训练时能够更快地收敛最佳值，加快模型的训练速度 二、字符型特征处理（最常见问题） 1.原因 对于字符型的特征，我们并不能将其直接传输网络模型中进行训练，需要对其进行编码成数值 2.方法 常用两种编码方式： 分类编码：当分类变量的取值之间有大小意义是，如【小学、初中、大学】，可以使用分类编码，将其编码为【0,1，2】 独热编
【沉淀之华】从0到1实现用户推荐 - 实时特征系统构建，包含特征计算，特征存储，特征查询，特征补偿超详细思路分享
最新发布
浮-沉
05-01 1816
作为用户推荐系统的支撑系统之一：用户实时特征系统有着举足轻重的重要，甚至说它是一起推荐行为触发的必要条件。而实时特征系统价值除了为实时推荐获取用户特征提供基础能力，对离线数据训练模型也起到关键支撑。离线训练流程由于我主要负责实时系统， 离线训练细节逻辑由专门算法同学负责，通过经验分享和沟通也得到了算法同学认可如上图所示看起来实时特征的生产和离线训练生产特征 逻辑大体相同，但是实时特征对数据一致性，及时性以及对接口的响应RT是要求极高的， 我。
推荐系统特征维度
公众号：瑞行AI
08-17 1422
在推荐系统中，特征的本质是“对某个行为相关信息的抽象表达”。抽取特征时，尽量保留“推荐环境及用户行为过程中的所有有用信息”，摒弃冗余信息。 用户行为数据 显性反馈：评分、点赞等；隐性反馈：点击、播放时长、加购等。 用户行为类特征向量： （1）代表用户行为的物品id序列，转化成multi-hot向量。 （2）预训练好的物品embedding向量，再average pooling或attention 生成历史行为embedding向量。 用户关系数据 社交网络，显性关系：好友、关注；隐形关系：点赞、同时对某一物
推荐系统之--特征工程（用户画像构建）
traveler-leon的博客
12-31 6013
特征工程往往是推荐系统中必要的一环，而且是最基础最重要的一环，不论是在模型训练阶段还是召回阶段，都需要以特征工程为基础。下面会从几个方面讲解特征工程。
「推荐系统中的特征工程」03：推荐系统中的特征分类
大数据与人工智能
11-18 1193
作者|gongyouliu编辑 | auroral-L全文共3019字，预计阅读时间25分钟。大家好，我是强哥。一个热爱暴走、读书、写作的人！本章目录一、从信息本身的特性来划分 ...
推荐系统学习记录二 ——用户特征和Item特征的常用方法
soaringpig的博客
10-10 3233
item 特征 item一般是指一个需要打分的个体，搜索中，是等待被搜索的个体；推荐中，是等待背推荐的个体。但是实际的业务中，往往不是这么简单。 在item中，我们都用过什么特征？ item的类别 item的统计类特征 在统计类特征中，不是只有sum，ratio，average等这样的特征，有的时候我们也会用到平滑，例如在广告推荐中，A广告投放了10次，被点击1次，B广告投放了1000次，被点击了...
关于推荐系统中的特征工程
蓝色的杯子
08-13 686
关于推荐系统中的特征工程 原文地址 http://phunters.lofter.com/ 在多数数据和机器学习的blog里，特征工程 Feature Engineering 都很少被提到。做模型的或者搞Kaggle比赛的人认为这些搞feature工作繁琐又不重要不如多堆几个模型，想入手实际问题的小朋友又不知道怎么提取feature来建模型。我就用个性化推荐系统做个例子，简单说说特征工程在
2017年，你还在用用户画像和协同过滤做推荐系统吗？
静心
07-20 7328
转自：http://www.sohu.com/a/157884400_470008 本文是大数据杂谈 7 月 13 日社群公开课分享整理，也是第四范式主题月的第二堂公开课内容。 今天想和大家分享，如何使用大规模机器学习解决真实的业务问题。我们今天会以机器学习中的一个典型场景为例来讲解，即基于大规模机器学习模型的推荐系统。 推荐系统的本质是什么？ 比如说我们看到手机淘宝首页，往下一拉
特征工程——推荐系统里的特征工程
Chloezhao的专栏
12-03 4325
原文：推荐系统里的特征工程 个性化推荐系统 Personalized recommender system 比其他的机器学习方法更依赖特征工程，所以我拿它来当作问题的背景，结合我之前做过的一个推荐系统里相关经验来说说特征工程具体是个什么东西。 利用特征功能提取这些“个性化”的特征放到推荐模型里就很重要，比如在我们的推荐系统里，把“品牌”的特征加进去，相对于 baseline 提高了20%左
推荐系统之特征工程
crown的博客
05-15 568
数据预处理 数据可划分为结构化数据与非结构化数据，定义如下： 结构化数据 代表性的有数值型、字符串型数据 非结构化数据 代表的有文本型、图像型、视频型以及语音型数据 结构化数据预处理 预处理一般可分为缺失值处理、离群值(异常值)处理以及数据变换 缺失值处理 一般来说，未经处理的原始数据中通常会存在缺失值、离群值等，因此在建模训练之前需要处理好缺失值。 缺失值处理方法一般可分为：删除、统计值填充、统一值填充、前后向值填充、插值法填充、建模预测填充和具体分析7种方法。 直接删除 缺失值最简单的处理方法是删除
sklearn做单机特征工程
Yaphat的博客
11-16 1964
目录 1 特征工程是什么？ 2 数据预处理 　　2.1 无量纲化 　　　　2.1.1 标准化 　　　　2.1.2 区间缩放法 　　　　2.1.3 标准化与归一化的区别 　　2.2 对定量特征二值化 　　2.3 对定性特征哑编码 　　2.4 缺失值计算 　　2.5 数据变换 　　2.6 回顾 3 特征选择 　　3.1 Filter 　　　　3.1.1 方差选择法
文本分类特征选择方法研究与总结
嵌入方法在学习模型的同时进行特征选择，特征选择是模型训练过程的一部分，常见的方法有： - 基于正则化的特征选择：例如LASSO回归（L1正则化）可以直接消除一些特征，因为L1正则化倾向于产生稀疏的权重矩阵。 - ...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

会发paper的学渣

您的鼓励和将是我前进的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值