![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
文章平均质量分 79
蓝色仙女
各平台同名,博客主要涉及:算法,python,MindSpore和一些通用计算机知识
展开
-
深度学习中BN(Batch Normalization)的原理详解
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结前言提示:这里可以添加本文要记录的大概内容:例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。提示:以下是本篇文章正文内容,下面案例可供参考一、pandas是什么?示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码原创 2021-05-02 16:02:36 · 1948 阅读 · 0 评论 -
阿里入门推荐系统新闻推荐学习记录
赛题理解数据:用户点击日志数据新闻的embedding向量数据36万篇文章,20万用户目的:预测用户未来的点击因此, 将日志中最后一次点击作为预测结果,历史点击作为训练数据。数据分析训练集里面每个用户至少点击了两篇文章多路召回ItemCF首先生成一个用户->点击文章列表的字典,用户为key,点击文章列表为value对每个用户,对其点击列表进行遍历:如果两个文章同时出现在这个列表,则计数加一,最后每两个文章A,B之间的相似性为:count(A,B)count(A).原创 2021-08-18 10:57:52 · 86 阅读 · 0 评论 -
阿里DIN原理
DIN提出的背景在广告推荐中,广告分为很多种类,用户的历史行为中可能有很大一部分和这个candidate的种类毫不相干DIN原理为了尽可能关注和当前candidate相关的历史行为,DIN引入attention机制。在每个历史行为商品进入池化层之前,先用一个Activation Unit对其进行激活,及计算并赋予一个权重,用于控制该商品对后续预测的影响。activation unitactivation Unit是通过神经网络来实现的,最终给出一个类似于相似性的值,这个模块会和DIN一起训练。原创 2021-08-08 21:20:06 · 124 阅读 · 0 评论 -
FM与DeepFM,FFM详解
FM(因子分解机)优点:能在稀疏特征情况下有很好的表现时间复杂度O(n)在推荐场景使用one-hot编码会导致稀疏特征FM背景线性回归:Y=WTXY=W^{T}XY=WTX 只有一次项,但是一次项有时候效果不好,尤其是在特别稀疏的场景当中,刻画能力不够。如果加入二次项:y^=w0+∑wixi+∑∑wijxixj\hat{y}=w_0+\sum{w_i}x_i+\sum\sum{w_{ij}x_ix_j}y^=w0+∑wixi+∑∑wijxixj这里两两特征组合的特征量级原创 2021-08-08 20:56:15 · 543 阅读 · 0 评论 -
YoutubeDNN详解
YoutubeDNN背景Youtube2016年发表的深度推荐系统论文《Deep Neural Networks for YouTube Recommendations》,这篇文章是工程向导的。算法的整体架构也是召回➕精排召回部分从图中看出在网络结构方面YoutubeDNN并没有做什么创新,他的创新点在于:架构图的左上角,为了加快召回的速度,根据User embedding和item imbedding使用nearest neighbor search 的方法召回在softmax采用负采样原创 2021-08-08 20:35:38 · 2009 阅读 · 0 评论 -
GBDT原理以及与XGBoost,LightGBM的详细对比
梯度提升算法(Gradient Boosting)基本原理:根据当前模型损失函数的负梯度信息来训练新加入的弱分类器,然后将训练好的弱分类器以累加的形式结合到现有模型中。GBDTGBDT就是以决策树CART为弱分类器的梯度提升算法算法过程:给定训练集T={(x1,y1),(x2,y2),...,(xN,yN)}T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}T={(x1,y1),(x2,y2),...,(xN,yN)}初始化第一个弱学习器F0(x)F_0(原创 2021-08-08 12:04:15 · 697 阅读 · 0 评论 -
基于领域的协同过滤和隐语义模型
基于领域的协同过滤UserCF:需要找到和他行为相似的用户,给他推荐那些用户喜欢的东西ItemCF:需要给他推荐和他已经使用过的物品相似的物品隐语义模型:还有一种方法,对物品进行分类,给他推荐他喜欢的分类里的其他物品UserCF步骤:找到和目标用户兴趣相似的用户集合找到这个集合中用户喜欢的,且目标用户未使用的物品集合步骤1的关键就是计算用户之间相似性,给定用户uuu,vvv,令N(u)N(u)N(u)表示用户曾经有正反馈的物品,可用Jaccard公式计算:wuv=∣N(u)⋂N原创 2021-06-05 21:49:59 · 188 阅读 · 0 评论