推荐系统
文章平均质量分 83
远方的旅行者
随心记录
展开
-
矩阵分解(EVD-SVD-Funk SVD-LFM-NCF-GMF)
到了深度学习发展的阶段,NCF在LFM的基础上进行了扩展,在矩阵的求解过程中,不再是通过点乘来进行学习,而是直接将用户矩阵和物品矩阵送入到MLP中,进行充分的卷积来代替点乘,它的好处在于代替点乘的同时,可以对多个特征进行深度交叉。在FunkSVD中,需要求解三个矩阵,但是在实际的工程中,如果是基于一个用户打分矩阵进行分解的话,显然是分解为两个矩阵更好解释一些,一个为用户矩阵,一个为物品矩阵,对应行列相乘就是对应的打分情况,所以考虑将。,那么可以分解为如上的右面所示的表达,其计算过程如下。...原创 2022-05-05 21:50:23 · 981 阅读 · 0 评论 -
推荐算法评价指标(ACC、查全率、查准率、F1-Score、ROC、AUC,P-R)
推荐系统的评价指标很多,今天介绍:准确率(ACC)、查准率(P精确率)、查全率(R召回率)、F1-score、ROC、AUC原创 2022-04-27 10:42:49 · 10370 阅读 · 5 评论 -
开源pnn模型demo示例
本文件是pnn模型的简单使用,实现了训练和测试PNN.py#!/usr/bin/env python# encoding: utf-8import torchimport torch.nn as nnimport torch.nn.functional as F# 定义一个全连接层的神经网络class DNN(nn.Module): def __init__(self, hidden_units, dropout=0.): """ hidden_u原创 2022-02-28 10:08:09 · 835 阅读 · 0 评论 -
youtube深度推荐算法youtubeDNN
youtube深度视频召回算法原创 2022-01-04 20:11:56 · 1005 阅读 · 0 评论 -
推荐系统之--特征工程(用户画像构建)
特征工程往往是推荐系统中必要的一环,而且是最基础最重要的一环,不论是在模型训练阶段还是召回阶段,都需要以特征工程为基础。下面会从几个方面讲解特征工程。原创 2021-12-31 16:18:16 · 4354 阅读 · 2 评论 -
推荐系统之-协同过滤(userCF、itemCF)
什么是协同过滤?通常协同过滤指代就是userCF,和itemCF。userCF也就是基于用户协同,本质就是找到与自己相同的用户,将相似用户有过行为的物品而我没有过行为的物品推荐给我;itemCF是基于物品的协同,本质是找到物品的相似物品,将我有过行为的物品的相似物品推荐给我。所以本质上说,协同就是相似,是一个不断的在找相似的一个过程,既然是寻找相似,那自然要有一个标准来度量相似情况,通常有以下的集中相似描述的机制在介绍相似的描述标准的时,要介绍以下用户物品打分矩阵。通常一个网站如果有打分机制的话,原创 2021-12-22 11:28:37 · 1340 阅读 · 0 评论 -
推荐系统流程
4.2.2.召回模块写入db(注意召回模块是异步的,也就是说他不是我们每一次请求都要召回一次,而是召回的内容消费完了才做新的召回,通常召回的内容是事先被召回好,存入数据库中的)4.2.1.解析uid的一些信息(比如使用的是手机还是pc,是wifi还是流量,因为可以根据这些信息决定推荐的策略,诸如如果使用的流量,则我们可能不要优先推荐视频信息给他)1.2.将爬取数据进行数据清洗、分类等操作之后,放入人工审核库,为什么需要人工审核呢,因为会有政治,涉黄,时效等需要考虑,或者是纠正前期分类的错误等。...原创 2021-12-22 09:04:46 · 1014 阅读 · 0 评论