![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
文章平均质量分 77
# 推荐系统
YJ语
这个作者很懒,什么都没留下…
展开
-
【推荐系统】由上往下看推荐系统
1 推荐系统简介推荐系统可以说是机器学习和深度学习应用最广泛的领域,而且预期未来会更加流行和深入。它本质上是为用户和商品或服务之间建立一种连接,帮助用户更高效地享受到服务。从用户的角度看,用户的个人偏好(兴趣)、历史行为、用户个人属性、用户关系网络等等都可以被称为 “用户信息”;从商品或服务角度看,名称、属性、标签、内容等等都是 “商品信息”;另外,在具体的场景中,用户的选择可能受时间、地点等一系列环境信息影响,这类信息被称为 “场景信息/上下文信息”。由此,借用王喆老师的描述,可以得出推荐系统要处理原创 2021-07-21 14:34:40 · 136 阅读 · 0 评论 -
【推荐系统】什么是冷启动问题
冷启动问题1 定义对于刚开始阶段的网站,由于没有用户的数据如何作有效的推荐? ——》冷启动2 分类用户冷启动即如何给新用户做个性化推荐物品冷启动即如何将新的物品推荐给可能对它感兴趣的用户系统冷启动即如何在一个新开发的网站(没有用户,没有用户行为,只有部分物品信息)上设计个性化推荐系统,从而在网站刚发布时就让用户体会到个性化推荐3 解决方案1 非个性化推荐先推热门的,待收集到一定信息后(一些内容的点赞、评论之类的),进行精准推荐2 利用一些其它信息原创 2021-07-12 13:58:04 · 200 阅读 · 2 评论 -
【推荐系统】一种特征交叉策略(FM)
文章目录1 传统的推荐系统模型2 前言3 FM和FFM(九九归一)3.1 FM? 我们先从POLY2开始3.2 FM模型的原理3 FFM模型的原理4 总结1 传统的推荐系统模型传统模型演化关系2 前言在上一篇文章里面谈到了逻辑回归, 这是一个简单、直观、应用的模型, 但是局限性就是表达能力不强, 无法进行特征交叉和特征筛选等,因此为了解决这个问题, 推荐模型朝着复杂化发展, GBDT+LR的组合模型就是复杂化之一, 通过GBDT的自动筛选特征加上LR天然的处理稀疏特征的能力, 两者一结合初步实现原创 2021-07-11 22:17:36 · 450 阅读 · 1 评论 -
【推荐系统】复合模型:GBDT+LR(特征组合的开端)
文章目录1 前言2 传统的推荐系统模型3 GBDT+LR3.1 LR简介3.2 GBDT简介3.2.1 首先解释下Boosting3.2.2 由Bosoting过渡到GDBT3.3 GBDT+LR组合模型1 前言相比于协同过滤和矩阵分解利用用户的物品“相似度”进行推荐, 逻辑回归模型将问题看成了一个分类问题, 通过预测正样本的概率对物品进行排序。这里的正样本可以是用户“点击”了某个商品或者“观看”了某个视频, 均是推荐系统希望用户产生“正反馈”行为, 因此逻辑回归模型将推荐问题转成成了一个点击率预估问原创 2021-07-10 21:08:38 · 852 阅读 · 1 评论 -
【推荐系统】协同过滤的进化——矩阵分解算法
文章目录1 传统的推荐系统模型2 协同过滤的进化——矩阵分解算法2.1 隐语义模型? 这家伙到底是个啥?2.2 矩阵分解算法的原理2.3 矩阵分解算法的求解(BacisSVD, RSVD, ASVD, SVD++)2.3.1 Basic SVD(LFM)2.3.2 RSVD2.3.3 SVD++2.4 矩阵分解的优缺点1 传统的推荐系统模型传统模型演化关系这里对应的核心是 ——> 协同过滤那里的评分矩阵给分解成用户矩阵乘上物品矩阵的形式2 协同过滤的进化——矩阵分解算法2.1 隐语义模型?原创 2021-07-09 20:25:44 · 468 阅读 · 0 评论 -
【推荐系统】 协同过滤
文章目录1.0 传统的推荐系统模型1.1 传统模型演化关系2.0 协同过滤2.1 基本思想2.2 目标场景2.3 相似度计算方式2.4 基于User的协同过滤(UserCF)2.4.1 举一个例子:2.4.2 缺点2.4.3 适用场景2.5 基于Item的协同过滤(ItemCF)2.5.1 举一个例子2.5.2 优缺点2.5.3 适用场景2.6 UserCF和ItemCF的优缺点比较1.0 传统的推荐系统模型1.1 传统模型演化关系2.0 协同过滤2.1 基本思想人以类聚,物以群分2.2原创 2021-07-09 16:06:36 · 212 阅读 · 0 评论