推荐系统
文章平均质量分 69
蓁蓁尔
A goal is a dream with a deadline.
展开
-
推荐系统开源软件列表汇总和点评
转自:http://blog.csdn.net/cserchen/article/details/14231153SVDFeature由上海交大的同学开发的,C++语言,代码质量很高 。去年我们参加KDD竞赛时用过,非常好用,而且出自咱们国人之手,所以置顶推荐! 项目地址: http://svdfeature.apexlab.org/wiki/Main_Page SVDFeature包含一个很转载 2016-09-19 18:56:13 · 682 阅读 · 0 评论 -
用户画像杂谈
用户画像是针对产品/服务目标群体真实特征的勾勒,是真实用户的综合原型。昨晚上看了两篇关于用户画像的文章,做总结如下 1. 如何避免形式主义的用户画像 这篇文章主要围绕着如何设计用户标签体系展开。开篇先讲解了“用户画像”和其另一个名字“受众定向”,作者认为我们平时说的“用户画像”听起来更加关注人口属性、生活状态等静态信息,这并没有表达出我们的重点关注点(例如:某用户“最近要不要旅游”、“准备买多少原创 2017-04-18 09:23:13 · 1449 阅读 · 0 评论 -
协同过滤杂谈
两种memory-based CF对比: ItemCF:更常用一些,一个是因为其稳定性好,两个商品相似就是相似,但是两个用户之间的相似度要考虑时间因素;再一个是商品库里的商品就那么多,计算量级比较固定;还有一个是它发掘长尾商品的能力相对来说更强。 CF优缺点: 优点: (1)与基于内容的推荐多用于推荐文本类的item相比,CF不需要知道用户和items的属性,只基于用户和items间的交原创 2017-04-09 19:36:43 · 369 阅读 · 0 评论 -
异构信息网络+推荐===总结
关于异构信息网络的基本概念,可以先看看:异构信息网络–基本概念和定义学习笔记**一、元路径(Meta Path)** - 因为异构信息网络(以后简称为HIN)中包含着更多的节点类型和边的类型,相对于同构网络来说比较复杂,所以Yizhou Sun【1】第一次提出了元路径(meta path)的概念,基于元路径来分析HIN,简单来说元路径就是连接两个节点之间的边类型和节点类型...原创 2017-06-22 18:52:28 · 15348 阅读 · 4 评论 -
从工业角度谈推荐系统的过去、现在和未来(二)
一、推荐问题的理解1.传统定义: 基于用户过去的行为习惯、用户间的关系、 item间的相似度、上下文等信息来估计一个可以自动预测user对item的喜欢程度的效用函数(utility function)。也就是说:推荐就是根据用户的历史行为习惯、社交关系、兴趣偏好(长期偏好、短期兴趣)和用户当前所处的上下文环境等去判断用户的当前需求/感兴趣的的item。 2. 推荐引擎的核心部分可以看作原创 2017-03-24 15:54:10 · 2318 阅读 · 0 评论 -
从工业角度谈推荐系统的过去、现在和未来(三)
四. 经验教训1. Implicit vs explicit 一般都认为隐性信息更有用,真的更有用吗?如果是,为什么呢? (1)隐性信息一般具有以下特点: 。。1.更稠密dense,并且所有用户的都能得到。诚然,评分数据总体来说是很稀疏的,之前netflix的百万美元挑战赛给出的数据稀疏度大概是1.2%,毕竟评分数据是要消耗更多注意力的数据。 。。2. 能更好的表示原创 2017-03-26 11:19:58 · 1004 阅读 · 0 评论 -
推荐系统的近期综述+经典论文及其实现
Recommender systems survey 2013 偏原理Recommender system application developments: A survey 2015 偏应用推荐 TU Delft 石玥(现在雅虎)14年发在CSUR的一篇综述[Shi et al., 2014] Yue Shi, Martha Larson, and Alan Hanjalic. Coll原创 2017-04-27 08:59:16 · 2350 阅读 · 0 评论 -
推荐系统经典论文文献及业界应用
推荐系统经典论文文献及业界应用列了一些之前设计开发百度关键词搜索推荐引擎时, 参考过的论文, 书籍, 以及调研过的推荐系统相关的工具;同时给出参加过及未参加过的业界推荐引擎应用交流资料(有我网盘的链接), 材料组织方式参考了厂里部分同学的整理。因为推荐引擎不能算是一个独立学科,它与机器学习,数据挖掘有天然不可分的关系,所以同时列了一些这方面有用的工具及书籍,希望能对大家有所帮助。Survey方面的文转载 2017-03-31 11:22:00 · 2850 阅读 · 0 评论 -
推荐系统评价指标
信息检索IR的评价指标综述 http://blog.sina.com.cn/s/blog_72995dcc01013oo9.html准确率(Precision)、召回率(Recall)以及F值(F-Measure) http://www.ithao123.cn/content-4028397.html原创 2016-09-21 11:12:09 · 691 阅读 · 0 评论 -
准确率-召回率,击中率-虚警率,PR曲线和mAP,ROC曲线和AUC
转自:http://blog.csdn.net/wangzhiqing3/article/details/9058523 在信息检索、分类体系中,有一系列的指标,搞清楚这些指标对于评价检索和分类性能非常重要,因此最近根据网友的博客做了一个汇总。准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是召回率(Recall Rate)和准确率(Precision Rate),召回率也叫转载 2016-10-25 15:11:31 · 4889 阅读 · 0 评论 -
推荐系统相关论文、工具、资料等资源整理
用深度学习做推荐的论文和报告列表1: http://shuaizhang.tech/2017/03/13/Papers-Deep-Learning-for-Recommender-System/用深度学习做推荐的论文和报告列表2: https://amundtveit.com/2016/11/20/recommender-systems-with-deep-learning/推荐系统常用的数原创 2017-03-27 16:29:35 · 1764 阅读 · 0 评论 -
Amazon的推荐系统到底行不行?
原文: https://mp.weixin.qq.com/s?__biz=MzA4OTk5OTQzMg==&mid=2449231246&idx=1&sn=16fbcb9418dbe4f6fac8e6dd5aaa4e69大体意思:亚马逊在业内有「推荐系统之王」之称,亚马逊有35%的销售额是与推荐系统相关的。但是,微软的研究员Amit Sharma发表了一篇paper《Estimating the原创 2017-03-29 20:13:37 · 1371 阅读 · 0 评论 -
从工业角度谈推荐系统的过去、现在和未来(一)
主要综合下面三篇文章整理而成,信息量太大,所以在对应的地方也列出了一些可参考帮助理解的文章,有些地方还没看明白,会一直修改的应该。1.原文:《 Past, Present and Future of Recommender Systems: an Industry Perspective》 by Amatriain (Quora), Justin Basilico (Netflix) https:原创 2017-03-24 15:24:33 · 868 阅读 · 0 评论 -
Netflix推荐系统的最新解读:算法、商业价值与创新
2009年由Netflix发起的Netflix Prize百万美金竞赛,绝对是推荐系统领域最标致性的事件,这次比赛不但吸引了众多专业人士开始投身于推荐系统领域的研究工作,也让这项技术从学术圈真正地进入到了商业界,引发了热烈的讨论并逐渐深入到了商业的核心腹地,功德无量。当然,最受益的肯定还是Netflix公司自己,不仅大有取代Amazon成为新一代推荐引擎之王的架势,而且从商业回报本身上看也无疑取得了转载 2017-04-09 19:52:46 · 10397 阅读 · 1 评论 -
传统推荐算法分类总结--简单梳理
传统的推荐算法分为三大类:1、基于内容的推荐(Content Based,CB),基于用户特征属性和item的特征之间的匹配程度来做推荐,推荐效果强依赖于特征工程的好坏。好处是用户独立性,不需要协同考虑其他用户特征,这也意味着一个缺点就是可供我们分析的内容有限。再一个好处是没与用户互动(评分、购买、加购物车等)过的新的item也可以被推荐。最大的缺点是过度特化,推荐的items没有创新性和惊喜原创 2017-08-22 21:41:54 · 8522 阅读 · 0 评论