Datawhale组队学习课节2: 传统序列召回实践：GRU4Rec打卡

最新推荐文章于 2024-05-17 10:06:01 发布
最新推荐文章于 2024-05-17 10:06:01 发布
阅读量288 收藏 1
点赞数 1
文章标签： 推荐算法 神经网络 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42052231/article/details/127941633
版权

传统序列召回实践：GRU4Rec

论文理解，参考沈向洋论文十问

  1. 论文解决了什么问题？
    序列推荐场景下用户长期行为不可知的问题

  2. 这是否是一个新的问题？
    不是

  3. 这篇文章要验证什么科学假设？
    用户的一个会话中访问的条目是具有相关性的，且随时间而变化

  4. 有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？
    前人的研究主要集中在矩阵分解方法和相似度算法，归类为序列推荐问题，Philip S. Yu ,Hongzhi Yin

  5. 论文中提到的解决方案之关键是什么？
    使用GRU建模时序信息，并且设计了batch-size方法，来解决序列长度分布不均衡的问题

  6. 论文中的实验是如何设计的？
    Recall MRR,非全量，只从热门商品里召回。

  7. 用于定量评估的数据集是什么？代码有没有开源？
    RSC15 Video ，https://github.com/hidasib/GRU4Rec

  8. 论文中的实验及结果有没有很好地支持需要验证的科学假设？
    有，加入RNN序列建模之后效果有大幅提升

  9. 这篇论文到底有什么贡献？
    开创了序列推荐使用神经网络的先河，解决了很多在线系统中长期用户行为记录不可用的情况

  10. 下一步呢？有什么工作可以继续深入？
    作者的未来工作是使用多模态信息来增强item的特征。

    <
最低0.47元/天 解锁文章
宇宙哇
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
GRU4REC-pytorch:使用PyTorch的GRU4REC的另一种实现
05-06
GRU4REC-PyTorch GRU4REC模型的PyTorch实现。 原始论文： 对原始论文的扩展： 这个代码是基于由Younghun宋（YHS-968），并实现 此版本支持TOP1，BPR，TOP1-max，BPR-max和交叉熵损失。 要求 PyTorch 0.4.1 的Python 3.5 大熊猫 numpy的1.14.5 用法 数据集 RecSys Challenge 2015数据集可从获取 预处理数据 您需要运行preprocessing.py以获得培训数据和测试数据。 在本文中，仅使用训练集，而忽略测试集。 培训集本身分为培训和测试，其中测试分组是最后一天的课程。 数据格式类似于从RecSys Challenge 2015获得的格式： 档名 训练集应命名为recSys15TrainOnly.txt 测试集应命名为recSys15Valid.txt 内
GRU4Rec
weixin_43951296的博客
11-21 299
GRU4rec
推荐系统新星：GRU4Rec
最新发布
gitblog_00056的博客
05-17 490
推荐系统新星：GRU4Rec 项目地址:https://gitcode.com/hidasib/GRU4Rec 在当今的个性化推荐领域，基于会话的推荐算法正在崭露头角。其中，GRU4Rec是一个强大的深度学习模型，以其高效的执行速度和出色的性能受到了广泛关注。本文将详细介绍GRU4Rec项目，包括其技术剖析、应用场景以及显著的特点。 项目介绍 GRU4Rec（Gated Recurrent Uni...
推荐系统行为序列建模-GRU4Rec
qq_41196438的博客
06-23 2835
推荐系统行为序列建模-GRU4Rec1.模型结构2.优化2.1 SESSION-PARALLEL MINI-BATCHES2.2 SAMPLING ON THE OUTPUT3.Loss 《SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS》论文基于单次会话session进行推荐。 1.模型结构 整体结构比较简单，通过RNN的堆叠来抽取序列信息 input：单次会话的点击序列 [x1,x2,...xn][x_1, x_2,...x_n
推荐模型-序列推荐-2016：GRU4Rec、GRU4RecF、GRU4RecKG
u013250861的博客
11-27 381
推荐模型-序列推荐-2016：GRU4Rec。
【序列召回推荐】(task2)序列召回GRU4Rec模型
发现问题，并解决问题，批判性思维
11-18 1910
一般的RNN模型我们的输入和输出是什么，我们对RNN输入一个序列 $X = [x^1,x^2,...,x^n]$ ，注意我们序列中的每一个节点都是一个向量，那么我们的RNN会给我们的输出也是一个序列 $Y = [y^1,y^2,...,y^n]$, 那我们如何通过RNN提取出输入序列的特征呢，常用做法有两种（GRU4Rec用的第一种获得序列表征）： - 取出$y^n$的向量表征作为序列的特征，这里可以认为$x^1, x^2, \ldots, x^n$的所有信息，所有可以简单的认为$y^n$的结果代表序
猜你喜欢：淘宝推荐长序列建模实践.pdf
04-06
本节总结了淘宝推荐长序列建模实践的知识点，涵盖了长序列建模、双塔模型、粗排、精排、LALI用户激活模块、Behavior Sequence Transformer等方面的内容。 一、长序列建模： * 长序列建模是淘宝推荐系统中的关键...
时间序列预测学习：包含BP、CNN、LSTM、GRU、RNN、SVM、cnn+lstm
02-19
时间序列预测学习：包含BP、CNN、LSTM、GRU、RNN、SVM、cnn+lstm 包售后，有问题可在我的主页找到我的球球，不满意的话酌情退款 cnn+lstm： mini_data cnn_lstm.py GRU GRU_Sunspots Monthly Sunspots.csv LSTM LSTM...
Python深度学习（包含：BILSTM、LSTM、GRU 、BP
05-15
总之，Python的深度学习生态为开发者提供了强大的工具，能够轻松实现和优化LSTM、GRU、BILSTM等序列模型，并利用反向传播算法进行高效训练。无论是在学术研究还是工业应用中，掌握这些技术对于解决复杂序列问题都至...
序列召回推荐模型资料说明：掌握经典的推荐系统序列召回算法/模型
07-01
序列召回推荐模型资料说明 ... Task02：传统序列召回实践：GRU4Rec Task03：GNN在召回中的应用：SR-GNN Task04：多兴趣召回实践：MIND Task05：多兴趣召回实践：Comirec-DR Task06：多兴趣召回实践：Comirec-SA
传统序列召回实践：GRU4Rec——Session-Based Recommendations with Recurrent Neural Networks
weixin_46191103的博客
11-20 338
SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
2019-Session-based Recommendation with Graph Neural Networks.pdf
01-14
2019-Session-based Recommendation with Graph Neural Networks
GRU4Rec学习笔记（SESSION-BASED RECOMMENDATIONS WITHRECURRENT NEURAL NETWORKS）
zhu_xian_gang的博客
11-30 835
主要是对RNN的一个改进，针对RNN在用到推荐系统时，会面临会话时间短的问题，而不是长期会话，导致精度不准，为了解决这个问题，作者通过对整个会话进行建模。模型的输入是当前会话的状态，输出是会话中下一个事件的物品，为了稳定性对输入向量进行了归一化，在输入和第一层GRU之间新增嵌入层，在最后一层和输出之间新增前馈层（Feedforward layers 也称全连接层或密集层）。因为推荐系统不是递归神经网络的主要应用领域，因此修改了基本网络，为了更好的适应任务。
RNN for recommendation，GRU4REC
yichudu
07-15 689
简述 第一次将 RNN 用于 session-based rec。 先空着。 反正 bert4rec 都把这些超了。 参考 GRU4REC,paper,SESSION-BASED RECOMMENDATIONS WITH RECURRENT NEURAL NETWORKS
序列召回基础+GRU4Rec论文阅读
qq_51167531的博客
11-20 1156
序列召回基础+GRU4Rec论文阅读
论文笔记（SESSION-BASED RECOMMENDATIONS WITHRECURRENT NEURAL NETWORKS）
qq_53430308的博客
07-23 488
因此，我们提出了一种基于RNN的方法来进行基于会话的推荐我们的方法也考虑到了任务的实际情况，并对经典的RNNs进行了一些修改，如一个排名损失函数，使其对这个特定的问题更加可行。首先说明了基于会话的推荐是一个相对不受重视的问题，因为会话行为的难以收集。许多电子商务平台不会长期跟踪访问其平台的用户的ID，即使跟踪是可能的许多用户在网站上也只会留下一两个会话。cookies能提供某种程度的用户可识别性但会引起一些隐私问题。...............
2018深度学习在个性化推荐中的应用
马凡贺的博客
08-07 9591
深度学习在个性化推荐中的应用 结论 得益于深度学习强大的表示能力，目前深度学习在推荐系统中需要对用户与物品进行表示学习的任务中有着不错的表现，但优势不如图像与文本那么显著[1]。 深度学习与分布式表示简介 深度学习的概念源于人工神经网络的研究。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的有效表示，而这种使用相对较短、稠密的向量表示叫做分布式特征表示（也可以...
LSTM GRU tensorflow代码 和 原理图中的箭头 的对应关系
Talk Is Cheap
07-13 2281
上图为LSTMcell， 向上指的箭头h_t是output， 向右指的箭头h_t和C_t是state， 对于上图的GRU output和state是同一个信息import tensorflow as tf from tensorflow.contrib import rnnx = tf.constant([[1]], dtype = tf.float32)lstm_cell = rnn.Ba

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值