推荐系统
文章平均质量分 94
推荐系统的主流模型整理
Evey_zhang
人工智能方向学习者
展开
-
推荐系统7---基于内容的推荐(ContentBasedRecommend)
推荐系统7:基于内容的推荐原创 2022-07-09 14:59:23 · 1725 阅读 · 1 评论 -
推荐系统9---AFM与DIN模型(推荐系统遇上注意力机制)
推荐系统9---AFM与DIN模型原创 2022-08-22 14:00:05 · 1142 阅读 · 1 评论 -
推荐系统20---MMOE(多任务学习系列1)
写完推荐系统8之后,直接来到了推荐系统20,因为工作需要,最近需要先了解多任务方面的文章。那就先从这里开始吧。中间缺的这些,后面慢慢补。下面言归正传,开始引入多任务学习的背景知识:3,排序学习:通过预测两两物品之间相对顺序,或者物品序列之间顺序来解决多目标学习的问题。比如,视频推荐为例,用户观看很长的i视频,点击了j 视频,在假设观看比点击更重要的前提下:假设u代表用户的偏好,则Ui>Uj。有了相对顺序,就可以使用排序学习的方式,融合多个目标,不需要训练多个模型。1,优点:模型简单。原创 2023-07-01 09:32:39 · 421 阅读 · 0 评论 -
推荐系统8---FNN、DeepFM与NFM(FM在深度学习中的身影重现)
FNN,DeepFM,FNN (FM模型在深度学习中的各种变换)原创 2022-07-23 15:11:50 · 1225 阅读 · 0 评论 -
推荐系统6--Wide&Deep与Deep&Cross模型(综合原始特征及交叉特征)
推荐系统6--Wide&Deep 与Deep&Cross模型原创 2022-06-13 17:50:54 · 642 阅读 · 0 评论 -
推荐系统5--NeuralCF与PNN模型(改变特征交叉方式)
一,前言——推荐系统传统机器学习方法和深度方法的一些理解深度学习时代,推荐模型主要有下面两个进展:1,与传统的机器学习模型相比,深度学习模型的表达能力更强,能够挖掘更多数据中隐藏的模式2,深度学习模型结构非常灵活,能够根据业务场景和数据特点,灵活调整模型结构,使模型与应用场景完美结合。推荐系统算法两个根本性思路是:1,用户和物品的表征,也就是如何更好的把用户特征和物品特征信息表示出来,比如矩阵分解(MF)模型就是属于这个思路上的,使用了embeding的思路来表示用户和物品,从而用向量的乘积来表示原创 2022-06-02 10:07:39 · 625 阅读 · 0 评论 -
推荐系统4--AutoRec与Deep Crossing(改变神经网络的复杂程度)
一,绪论本篇是深度学习推荐系统第一篇,介绍Autorec和DeepCrossing 两个模型。前者是将深度学习的思想应用于推荐系统的初步尝试,后者是将深度学习框架在推荐系统中的完整应用。Autorec2015年由澳大利亚国立大学提出,是一个单隐层的神经网络推荐模型,网络结构简单。由于结构比较简单,表达能力不足,因此没有真正的应用。DeepCrossing 是2016年,微软基于ResNet的经典DNN结构提出的模型。该模型完整解决从特征工程,稀疏向量稠密化,多层神经网络进行优化目标拟合等一系列深度学习原创 2022-05-27 16:57:23 · 339 阅读 · 0 评论 -
推荐系统3--FM和FFM
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好! 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar原创 2022-05-22 14:39:09 · 714 阅读 · 0 评论 -
推荐系统2--隐语义模型(LFM)和矩阵分解(MF)
一,背景协同过滤(userCF,itemCF )完全没有用到用户或者物品本身的属性,仅仅利用了用户与物品之间的交互信息就可以实现推荐。是一个可解释性很强,非常直观的模型,但是缺点在于:1,处理稀疏矩阵的能力比较弱,泛化能力弱。 为了解决这个问题,从协同过滤中衍生出矩阵分解模型(Matrix Factorization,MF),并发展出矩阵分解的分支模型,比如隐语义模型和矩阵分解隐语义模型和矩阵分解可以理解为类似的内容,都是在协同过滤共现矩阵的基础上,使用更稠密的隐形量表示用户和物品,挖掘用户和物品的隐含原创 2022-05-16 11:25:28 · 2119 阅读 · 0 评论 -
推荐系统1--协同过滤
一,协同过滤是什么?基本思想是:根据用户历史喜好,以及与给用户兴趣相近的用户的选择,来给用户推荐物品(基于对用户历史行为数据的挖掘发现用户的喜好偏向,并预测用户可能喜好的产品进行推荐)一般仅仅依靠用户的行为数据(评价,购买,下载等),不依赖于物品自身特征或者用户的附加信息(年龄,性别等)二,协同过滤的分类基于用户的协同过滤算法(UserCF):给用户推荐与他兴趣相似的其他用户喜欢的产品基于物品的协同过滤算法(ItemCF):给用户推荐与他之前喜欢的物品相似的物品三,基于用户协同过滤应用场景原创 2022-05-05 08:26:59 · 3402 阅读 · 0 评论