推荐算法
文章平均质量分 86
推荐方面的算法整理
RessCris
怕什么真理无穷,进一寸有一寸的欢喜
展开
-
【推荐算法系列六】Wide&Deep模型
Wide 部分的主要作用是让模型具有较强的“记忆能力”(Memorization),而 Deep 部分的主要作用是让模型具有“泛化能力”(Generalization),因为只有这样的结构特点,才能让模型兼具逻辑回归和深度神经网络的优点,也就是既能快速处理和记忆大量历史行为特征,又具有强大的表达能力,这就是 Google 提出这个模型的动机。就是因为 Wide 部分可以增强模型的记忆能力,让模型记住大量的直接且重要的规则,这正是单层的线性模型所擅长的。部分倾向于对已经反馈过的历史数据,学习其中的关系。原创 2024-02-27 18:33:02 · 1017 阅读 · 0 评论 -
【推荐算法系列五】DeepFM 模型
在这一层中,会对 FM Layer 的结果与 Hidden Layer 的结果进行累加,这样做的好处是将低阶与高阶的特征交互融合,然后将得到的结果进行一个 sigmoid 操作,得到预测的概率输出。根据上面的结构图可以看到,实际上每一个高维稀疏向量都有自己所对应的 Embedding 向量,不同的向量之间的 Embedding 实际上是相互独立的,我们把每一个稠密向量进行横向的拼接,使其变成一个长度很长的稠密向量,然后再拼接上原始的数值特征,统一作为 Deep 与 FM 的输入。原创 2024-02-27 17:57:27 · 1088 阅读 · 0 评论 -
【推荐算法系列十八】:DSSM 召回算法
参考DSSM 和 YouTubeDNN 都是比较经典的 U2I 模型。原创 2024-02-27 17:20:05 · 964 阅读 · 0 评论 -
【推荐算法系列十七】:GBDT+LR 排序算法
排序算法经典中的经典。原创 2024-02-27 16:46:47 · 1185 阅读 · 0 评论 -
【推荐算法系列十六】:协同过滤
基于模型的协同过滤(Model-based Collaborative Filtering)是协同过滤方法的一种,它与传统的基于邻域的协同过滤方法不同。基于模型的协同过滤是通过训练一个模型来预测用户对物品的评分或者喜好,而不是直接基于用户或物品之间的相似性来进行推荐。通过分析用户之间的相似性来实现推荐。常见的基于模型的协同过滤算法包括基于矩阵分解的隐语义模型、基于概率图模型的贝叶斯网络模型、基于神经网络的深度学习模型等。其推荐的对象不是与目标用户相似的其他用户,而是与该用户曾经感兴趣的内容相似的其他内容。原创 2024-02-27 16:35:47 · 1040 阅读 · 0 评论