![](https://img-blog.csdnimg.cn/20201014180756738.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
BalanceX
这个作者很懒,什么都没留下…
展开
-
LinUCB算法理解
解决的问题1、UCB的算法context-free:没有充分利用推荐场景的上下文信息,为所有用户的选择展现商品的策略都是相同的,忽略了用户作为一个个活生生的个性本身的兴趣点、偏好、购买力等因素都是不同的,因而,同一个商品在不同的用户、不同的情景下接受程度是不同的原理1、每个arm维护一个特征向量:θα\theta_{\alpha}θα2、假设 : 每个arm的期望收益为a...原创 2019-11-01 19:36:17 · 9402 阅读 · 1 评论 -
Context-free Bandit算法
文章是对Context-free Bandit算法进行总结,以及对每个策略的一些思考。主要会从以下4个方面说明Context-free Bandit,如有问题,欢迎指正讨论~1、Bandit来源2、应用场景3、算法原理4、算法缺点来源多臂老虎机:刚进赌场,每个臂代表着一个老虎机,怎么选择最优的赢钱策略应用场景1、推荐系统中的EE问题2、推荐系统的冷启动问题原理(...原创 2019-09-15 12:53:23 · 1106 阅读 · 0 评论 -
DeepFM算法原理及实现
模型解决问题因为DeepFM模型基本是在Wide&deep的基础上进行改进而来,所有DeepFM主要解决的问题是:1、Wide&deep 模型需要手动做特征交叉,而DeepFM因为有FM层进行一阶和二阶特征自动组合,所以不需要手动特征工程2、FM 模块和 Deep 模块共享 Feature Embedding 部分,可以更快的训练,以及更精确的训练学习3、能同时学习低阶...原创 2019-09-17 18:04:49 · 3153 阅读 · 1 评论 -
Wide&deep算法原理及思考
文章主要是对wide&deep的总结,和自己对于模型的思考模型解决问题使得训练得到的模型能够同时获得记忆(memorization)和泛化(generalization)能力。我理解为解决推荐系统EE问题的一种思路记忆:Exploitation泛化:Exploration模型出现之前的解决方案和问题一、记忆:Exploitation:1、原始Dense特征 => ...原创 2019-09-19 00:49:07 · 2183 阅读 · 0 评论 -
FTRL算法理解
本文主要是对FTRL算法来源、原理、应用的总结和自己的思考。解决的问题1、训练数据层面:数据量大、特征规模大2、常用的LR和FM这类模型的参数学习,传统的学习算法是batch learning算法,无法有效地处理大规模的数据集,也无法有效地处理大规模的在线数据流3、需要高效的online learning算法来解决这种问题在线学习算法SGDwt+1=wt−ntgtw_{t+1} =...原创 2019-09-20 15:43:51 · 1657 阅读 · 0 评论