![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
wang2008start
这个作者很懒,什么都没留下…
展开
-
知识图谱与推荐系统_paper_biji
知识图谱在推荐系统中的应用,包括将协同过滤和知识embedding结合、知识包括文字知识/图片知识/结构知识等。将新闻推荐系统中的知识抽取,经过cnn计算和attention机制后用来进行推荐。原创 2020-11-20 13:41:01 · 187 阅读 · 0 评论 -
Behavior Sequence Transformer for E-commerce Recommendation in Alibaba——biji
原创 2020-05-20 23:20:30 · 260 阅读 · 0 评论 -
DIEN——biji
是 DIN 的升级版,共分为三层,用户行为层,用户兴趣抽取层,用户兴趣演化层.用户行为层用户兴趣抽取层为了将用户兴趣学习的更加充分,加入了额外 loss,h(t)和e(t+1),e(t+1)`,构建正负样本,类似于多目标的学习。用户兴趣演化层为了学习用户和候选item的关系,加入了 attention 机制,Attention + GRU的实现这里给了三种方法:GRU with attentional input(AIGRU):将抽取层的 h_t 与 weight 相乘直接作为 演化层 G.原创 2020-05-20 23:00:39 · 342 阅读 · 0 评论 -
GCN(Graph Convolutional Network)——总结
Graph Convolutional Network对于图结构,不采用将图结构转换成线性结构表示。直接对图结构进行表示。CNN处理的图像或者视频数据中像素点(pixel)是排列成很整齐的矩阵(Euclidean Structure)。网络结构(Non Euclidean Structure)就是图论中抽象意义上的拓扑图。GCN 主要技术:拉普拉斯矩阵拉普拉斯矩阵谱分解GCN 的逻辑:...原创 2019-07-23 23:09:23 · 2112 阅读 · 0 评论 -
多目标学习_biji
Ref深度神经网络中的多任务学习汇总原创 2019-07-05 16:18:37 · 1200 阅读 · 0 评论 -
行列式点过程推荐多样性算法
推荐多样性的衡量指标是单个推荐列表中物品之间的差异程度,通过计算在同一个推荐 list 中两两 Item 之间的相似度的平均值来进行衡量。DPP(Determinantal Point Process)行列式点过程,是一种性能较高的概率模型。将复杂的概率计算转换成简单的行列式计算,通过核矩阵的行列式计算每一个自己的概率。...原创 2019-07-05 14:34:25 · 1865 阅读 · 0 评论 -
DNN for 推荐_biji
MLRDeep Neural Networks for YouTube Recommendations其实熟悉Skip-Gram方法的同学很容易看出来,2.1把推荐问题定义为“超大规模多分类”问题的数学公式和word2vec的Skip-Gram方法的公式基本相同,所不同的是user_vec是通过DNN学习到的,而引入DNN的好处则是任意的连续特征和离散特征可以很容易添加到模型当中。同样的,...原创 2019-07-08 17:59:57 · 582 阅读 · 0 评论 -
Collaborative Metric Learning——paper 笔记
Collaborative Metric Learning协同过滤(回顾和复习了CF,基于模型的CF是用矩阵分解实现的,loss为评分矩阵和新构建的评分矩阵的平方差,用梯度下降进行优化学习)。这里是主要提出了三角不等式(两对pairwise节点的距离之和大于这两个节点的直接距离,隐含:如果x相似与y和z,那么y和z本身也是相似的,相似传递性),在矩阵分解的基础上,使用pairwise格式的...原创 2018-07-23 22:35:23 · 1372 阅读 · 1 评论 -
Hadoop/Spark推荐系统(四)——推荐链接(二度好友)
思路如果两个人有一组共同好友,但这两个人本身不是好友,那个就会推荐他们联系,最后都可以归结为查找。用户1的所有好友里两两互为推荐好友,用户1和好友的关系为直接好友。先循环所有用户的所有好友,找出全部推荐好友和直接好友,在全部推荐好友去除直接好友即为推荐好友。所有的推荐好友中会按图论中的路径数对好友有个评分,只显示推荐联系的10个人,即取top 10.与共同好友的区别共同好友在于计算...原创 2017-09-22 23:51:01 · 665 阅读 · 0 评论 -
Hadoop/Spark推荐系统(三)——经常一起购买的商品
思路将每一个购买清单拆解成物品两两组合,计算每个组合出现的总次数。 与上一环节“购买了该商品的顾客还购买了的商品”区别之处在于: 购买了该商品的顾客还购买了的商品,input是用户为key,value为该用户的多次购买清单 经常一起购买的商品,input是交易编号,value为一次购买清单。所以此为购物篮分析的一个变种。输入:T1 {P1,P2,P3} T2 {P2,P3} T3 {P2,原创 2017-09-22 23:20:41 · 899 阅读 · 0 评论 -
Hadoop/Spark推荐系统(二)——购买过该商品的顾客还购买了哪些商品
Stripes设计模式(k,k1) 3 (k,k2) 3 (k,k3) 2 (k,k4) 4 (z,z1) 1 (z,z2) 3 (z,z3) 2 (z,z4) 3 Stripes k {(k1,3),(k2,3),(k3,2),(k4,4)} z {(z1,1),(z2,3),(z3,2),(z4,3)} 输入: 算法:MR1 阶段生成同一个用户购买的所有商品的列表,由mr原创 2017-09-22 22:22:13 · 965 阅读 · 0 评论 -
Hadoop/Spark推荐系统(一)——共同好友
输入:,mapper-input: #好友关系是对称的,整个数据的关系边是偶数 (u1,[f1,f2,f3]) (u2,[f2,f3]) (f1,[u1,f3]) (f2,[u1,u2]) (f3,[u1,u2,f1])mapper-output将一条用户的好友列表数据,拆成这个用户每个好友对为key的表示形式(key的表示字母或数字有序),value依然为好友里列表形式,共12组 ([原创 2017-09-22 19:30:38 · 1045 阅读 · 0 评论