推荐系统
小小的天和蜗牛
一门心思搞技术!
展开
-
推荐系统之---企业级平台推荐设计
前言不管是做直播推荐、电商平台推荐、视频推荐、亦或是其他平台的推荐,从技术上讲【很多东西都是想通的,也许你可以从这里借鉴到你想要的东西。】下面我会按照以下顺序开始介绍,并且这个顺序也大概是推荐架构实现的一个顺序:用户画像系统推荐召回系统推荐排序系统推荐系统评估系统如果某些同学,对某些部分已经非常熟悉了,可以直接跳过,毕竟这里只是介绍了这些系统是怎么去做的,以及在整个架构中起到了什么...原创 2019-03-30 11:48:17 · 841 阅读 · 0 评论 -
推荐系统之---经验10坑整理
1.隐式反馈比显式反馈要爽所谓隐式反馈,就是用户发出这些行为时并不是为了表达兴趣/态度,只是在正常使用产品而已,反之,显式反馈就是用户在做这个操作时就是要表达自己的态度,如评分,投赞成/反对票。Xavier Amatriain列举了隐式反馈的以下好处:1.数据比显示反馈更加稠密。诚然,评分数据总体来说是很稀疏的。之前的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...转载 2019-04-18 15:40:50 · 1409 阅读 · 0 评论 -
推荐系统之---偏好数据构建
1.用户行为分类根据用户操作的复杂度,将用户的操作分为四类;一类:查看、停留、投票、评论、收藏、关注;二类:转发;三类:加入购物车:四类:购买;2.类别权重一类:10%二类:20%三类:30%四类:40%3.创建原始数据表/*Table structure for table `user_product_base` */DROP TABLE IF EXISTS ...原创 2019-04-19 15:43:52 · 503 阅读 · 0 评论 -
推荐系统之---UGC标签推荐方式
1.说明UGC标签系统是很多网站、平台的必要组成成分,下面简单介绍如何使用UGC的方式进行推荐。2.标签的种类表明物品是什么:比如一本书,就会有“书”的标签。表明物品的种类:比如《数学之美》,就会有“数学”的标签。表明谁拥有的物品:比如本篇博客的所属。表达用户的观点:比如给某个商品、电影打上“搞笑”的标签。用户相关的标签:比如网易云里一首歌《Lemon》,标注为“我喜欢”。用户的...原创 2019-05-14 13:43:46 · 1839 阅读 · 1 评论 -
推荐系统之---LFM的各种版本
1.说明在推荐系统中有两种协同过滤的方式。一种是基于邻域的方式,这种方式又包含了基于用户的和基于物品的,这种方式实现简单,而且效果也是非常的不错,唯一的缺点是对待稀疏矩阵的时候表现乏力。因此诞生了下面的方式。方式二是基于模型的方式,也就是矩阵分解的方式,这种方式将推荐问题转化为了机器学习问题。下面通过一个图来说明,不再详细介绍原理,而是主要分析各种LFM实现的变种上图的大矩阵可以...原创 2019-05-14 22:31:12 · 15173 阅读 · 0 评论 -
推荐系统之---如何理解低秩矩阵?
1.说明在推荐系统中有有一种推荐方式:LFM,也叫隐因子分解。这中推荐方式在Netflix公司的百万美金大赛中可以说是大放异彩。但是在这里面涉及到一个假设。假设评分矩阵是低秩的(Low rank)。那什么样的矩阵是低秩的?怎么理解低秩呢?2.图像中的“秩”除了在推荐系统中应用低秩概念,其实在图像处理中也会应用到低秩。秩的英文表达是rank,在图像中rank可以理解为图像中所包含信息的丰富程...原创 2019-05-11 16:39:53 · 14920 阅读 · 9 评论 -
推荐系统之---正负样本构造trick
1.说明在推荐系统的排序阶段,有一个很重要的步骤就是,构造用户-物品的特征向量,这个过程可以说直接决定了模型的优劣情况。正所谓 “数据是模型的上限” 。在后续的时间会持续更新一些小trick。2.Some Tricks2.1 Feed流场景下构造样本在Feed流场景下,使用曝光(展示)日志时,应该选择APP的SDK埋点的日志,而不是服务器Web接口返回的日志,因为Web接口...原创 2019-05-25 22:57:06 · 13668 阅读 · 4 评论