推荐系统：召回层（使用多个召回策略，5-8个策略）【快速筛选出用户喜欢的物品】【单策略/单路召回、多路召回】【Item2vec、Node2vec】【LSH(局部敏感哈希)算法（开源实现：Faiss）】

已于 2022-08-06 09:24:36 修改
阅读量215 收藏
点赞数
分类专栏： # RS/召回层 文章标签： 推荐系统
于 2022-07-29 23:17:36 首次发布
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。
本文链接：https://blog.csdn.net/u013250861/article/details/126065418
版权

一、概述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

二、Embedding技术

在这里插入图片描述
在这里插入图片描述

1、word2vec—>item2vec

在这里插入图片描述

2、Node2vec

在这里插入图片描述

在这里插入图片描述

3、使用Embedding进行最近邻查找

在这里插入图片描述
在这里插入图片描述

三、最近邻查找【精确查找（暴力查找, K-D Tree）、近似查找(K-means, LSH)】

在这里插入图片描述

精确查找

  • 暴力查找
  • K-D Tree

近似查找

  • K-means
  • LSH
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

1、K-means

在这里插入图片描述

2、LSH（局部敏感哈希）

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

u013250861
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
推荐系统召回之item2vec召回
dreamfantacy的博客
09-29 2472
该召回手段，是基于google提出的word2vec方法，来计算不同items的隐向量，并通过计算不同items间的向量距离，来判断item-to-item间的相似度。 参考paper如下： https://arxiv.org/vc/arxiv/papers/1603/1603.04259v2.pdf 综述 许多协作过滤（CF）算法是通过分析items间的关系来计算相似度的。最近，自然语言处理方面...
推荐系统-召回层-召回算法：Item2vec、Node2vec
u013250861的博客
08-03 703
运用 Spark 实现经典的 Embedding 方法 Item2vec 和 Deep Walk（使用PySpark MLlib）。Word2vec模型一般分为两种：Skip-gram 模型（中心词决定了它的相邻词），而CBOW相反（是相邻词决定当前的词）。在 Deep Walk 的实现中，着重理解，生成物品间的转移概率矩阵的方法，以及通过随机游走生成训练样本过程。Word2vec的样本生成方法：通过滑动窗口，截取词组，把词组内的词转换成训练样本。.........
推荐系统召回层如何筛选不相关的物品
小叮当的博客
03-10 251
文章目录召回层和排序层的特点单路召回策略多路召回策略基于Embedding的召回策略召回层总结 召回层和排序层的特点 召回层处于推荐系统的线上服务模块之中，推荐服务器从数据库或内存中拿到所有候选物品集合后，会依次经过召回层→排序层→再排序层（补充算法层），才能够产生用户最终看到的推荐列表。 召回层月排序层总结图： 召回层应该满足特点：候选集规模大（百万级）、模型复杂度低、所用特征少、处理速度快、排序精度低。 排序层应该满足特点：候选集规模小（几百级）、模型复杂度高、所用特征多、处理速度慢、排序精度高。 要
斯坦福数据挖掘之LSH的应用
weixin_33804990的博客
07-18 170
..
node2vec笔记
ACADEMICJOURNEY的博客
11-02 2145
node2vec论文：https://dl.acm.org/citation.cfm?id=2939754 node2vec作者KDD口头报告视频：https://www.youtube.com/watch?v=1_QH5BEP5BM node2vec是deepwalk的一个扩展，主要考虑了两点：(1)邻近性，即节点在图上的距离越近越相似；                          ...
搜索推荐系统10项目实战系列Z1：手把手教学（商品搜索系统、学术文献检索）语义检索系统搭建、召回排序模型详解
05-26
CSDN文章：搜索推荐系统[10]项目实战系列Z1：手把手教学（商品搜索系统、学术文献检索）语义检索系统搭建、召回排序模型详解。 https://blog.csdn.net/sinat_39620217/article/details/130885794 通常检索业务的...
RecommendRelative:推荐系统相关模型包括召回和排序
03-11
1. **召回**：在推荐系统中，召回阶段的目标是从海量的商品或内容库中筛选出一小部分可能对用户感兴趣的项目。这个过程通常涉及粗粒度的匹配策略，如基于用户的浏览历史、购买历史、点击行为等。常见的召回方法有...
推荐系统召回算法详解教程.docx
最新发布
06-14
召回模块作为推荐系统的关键组成部分之一，其主要职责在于进行初步筛选，即从海量的候选项目（items）中挑选出一小部分最有可能吸引用户注意的项目。例如，对于一个拥有十万种商品的电商平台来说，当用户访问时，...
毕业设计：基于商品的协同过滤算法实现图书推荐系统.zip
05-25
本项目以“毕业设计：基于商品的协同过滤算法实现图书推荐系统”为主题，运用了协同过滤算法，这是一种广泛应用于推荐系统中的机器学习方法，旨在通过分析用户的历史行为，找出潜在的兴趣匹配，从而进行个性化推荐。...
4-9+旅⾏推荐场景下召回实践之路.pdf
03-18
在旅行推荐场景中，召回策略是个性化推荐系统的关键组成部分，旨在从海量的商品库中筛选出最有可能引起用户兴趣的项目。飞猪个性化推荐小组在实践中遇到了多种挑战，包括冷启动用户的召回、行程的表达与召回、基于...
PGL图学习之图游走类node2vec、deepwalk模型[系列四]
m0_63642362的博客
11-22 663
介绍了图嵌入原理以及了图嵌入中的DeepWalk、node2vec算法，利用pgl对DeepWalk、node2vec进行了实现，并给出了多个框架版本的demo满足个性化需求。
推荐系统[二]：召回算法超详细讲解[召回模型演化过程、召回模型主流常见算法(DeepMF/TDM/Airbnb Embedding/Item2vec等)、召回路径简介、多路召回融合]
丨汀、的博客
02-20 3167
召回区分主路和旁路，主路的作用是个性化+向上管理，而旁路的作用是查缺补漏推荐系统的前几个操作可能就决定了整个系统的走向，在初期一定要三思而后行做自媒体，打广告，漏斗的入口有多大很重要。召回这里稍微有些复杂，因为召回是多路的。首先我们要解释主路和旁路的差别，主路的意义和粗排类似，可以看作是一个入口更大，但模型更加简单的粗排。主路的意义是为粗排分担压力。但是旁路却不是这样的，旁路出现的时机往往是当主路存在某种机制上的问题，而单靠现在的这个模型很难解决的时候。
图算法在转转推荐算法召回及粗排的实践
zhuanzhuantech的博客
09-14 849
推荐系统帮助人们更高效地建立与信息的连接，节约信息筛选的时间，为用户匹配、探索兴趣，也让平台的高效分发成为可能。对于转转来说，推荐系统承担了为用户推荐商品与内容的重要角色，一方面链接了用户与商品的关系，为用户节约筛选心仪产品的时间，帮助用户在平台琳琅满目的商品中发现感兴趣的商品；另一方面帮助商家让自己的商品从海量商品中脱颖而出，推荐给合适的用户。在推荐系统中，推荐算法扮演了发动机的作用。
【Graph Embedding】node2vec:算法原理，实现和应用
热门推荐
浅梦的学习笔记
02-12 4万+
前面介绍过基于DFS邻域的DeepWalk和基于BFS邻域的LINE。node2vec则是一种综合考虑dfs邻域和bfs邻域的graph embedding方法。 DeepWalk：算法原理，实现和应用 LINE：算法原理，实现和应用 简单来说，node2vec是deepwalk的一种扩展，可以看作是结合了dfs和bfs随机游走的deepwalk。 nodo2vec 算法原理 优化目标 设f(u).........
Rech5 召回算法进阶
wangwangstone的博客
08-22 637
本文是对七月在线课程召回算法进阶的一个简单笔记记录。 本笔记主要围绕课上所讲常见召回方式、协同过滤、关联商品召回、基于图的Swing召回算法、Embedding召回(item2vec|node2vec)、YutubeDNN 、动态多兴趣挖掘模型MIND、多路召回融合。 常见召回方式 i2i：计算item-item相似度，用于相似推荐、相关推荐、关联推荐； u2i：基于矩阵分解、协同过滤的结果，直接给u推荐i； u2u2i：基于用户的协同过滤，先找相似用户，再推荐相似用户喜欢的item； u..
EGES召回原理与优化
console.log(**)的博客
08-14 801
EGES召回原理和优化
【推荐系统】推荐系统主流召回方法综述
fengdu78的博客
07-11 5884
“本文主要梳理了近年来推荐系统中的主流召回方法，包括传统召回方法，基于表示学习的方法(Youtube DNN,DMF,DSSM,item2vec,graph embedding,MIN...
推荐算法总结（召回+排序+工程化）
iwtbs
03-04 9896
文章目录内容召回word2vecLDAFastTextTextCNN行为召回ItemCFUserCF关联规则聚类协同矩阵分解隐语义LFM图召回PersonalRank深度学习召回因子分解排序FMFFM树模型排序GBDT+LR深度模型排序DNN特征高阶组合低阶特征单独建模特征交叉优化小结： 内容召回 word2vec 了解skip-gram和cbow两种网络的结构 了解优化方法：Hierarch...
一些经典的召回算法模型
一个nlp探险者的博客
05-19 3172
Real-time Personalization using Embeddings for SearchRanking at Airbnb（kdd 2018） Embedding 向量最终能表达实体在某个空间里面的距离关系。在NLP领域中，表示的的是语义空间。在其他场景中，以电商举例，我们会直接对商品 ID 做 Embedding，其训练的语料来自于用户的行为日志，故这个空间是用户的兴趣点组成。行为日志的类型不同，表达的兴趣也不同，比如点击行为、购买行为，表达的用户兴趣不同。故商品 Embedding 向
推荐系统技术详解：从召回到排序再到重排
“推荐系统技术路线（入门）：召回到排序...推荐系统通过召回、排序和重排的步骤，构建起一个完整的个性化推荐流程，旨在提供最优的用户体验，同时也反映出技术在不断进步，模型化和智能化成为推荐系统的重要发展方向。
评论
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
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