推荐系统
weixin_43249938
这个作者很懒,什么都没留下…
展开
-
相关系数
结论:在数据标准化之后,欧式距离、Pearson相关系数、Cosine相似度可认为是等价的。一、欧几里得距离作用:m维空间中两个点之间的真是距离,或者向量的自然长度两个n维向量x与y间的欧式距离:D=∑k=1n(xi−yi)2 D=\sqrt{\sum_{k=1}^n{(xi-yi)^2}} D=k=1∑n(xi−yi)2向量运算形式:D=(a−b)(a−b)T D=\sqrt...原创 2018-10-14 11:46:18 · 24459 阅读 · 3 评论 -
《推荐系统实践》(一)——推荐系统评测
一、预测准确度<1>、评分预测1.均方根误差(RMSE)(1)均方根(RMS)也称为效值,公式:Xrms=∑i=1NXi2NX_{rms}=\frac{\sqrt{\sum_{i=1}^NX_i^2}}{N}Xrms=N∑i=1NXi2(2)均方根误差(RMSE)是衡量“平均误差”的一种较方便的方法。是参数估计值与参数真值之差的平方的期望值。在实际使用中通常真值只能用...原创 2018-10-14 15:45:49 · 439 阅读 · 0 评论 -
《Random Walk based Entity Ranking on Graph for Multidimensional Recommendation》论文阅读
利用个性化PageRank实现一个新的高灵活性的基于图的推荐Abstract 本文研究了推荐的灵活性,提出了一种基于图形的多为推荐方法。对该问题使用隐式反馈数据集构建图上的实体排序问题。本文采用了个性化PageRank算法用于实体进行排序。 优点:支持灵活性,可以利用图中的间接关系 缺点:处理稀疏性问题的能力Introduction 本文中提出的一种基于图形的方法,提供了推荐...原创 2018-11-22 16:23:11 · 193 阅读 · 0 评论 -
《A novel way of computing similarities between nodes of a graph, with application...》论文阅读笔记
A novel way of computing similarities between nodes of a graph, with application to collaborative recommendation(提出新的计算相似度的方法)原创 2018-11-22 16:25:10 · 217 阅读 · 0 评论 -
《Factorization Meets the Neighborhood: a Multifaceted Collaborative Filtering Model》经典论文阅读
文章主要研究点本文的对潜在因子模型和邻域模型进行了平滑合并,目的:建立更精确的组合模型,利用用户显式和隐式反馈进一步提高了精度在top-K推荐任务中的新的评估指标1.邻域模型目标:预测用户u对项目i的评级,并通过相似性识别出u对i相似的项目的评分2.潜在因子模型目标:更全面的揭示潜在特征,从而解释观察到的评级。文章主要关注SVD(待学)的模型。已有模型的问题:最近邻:最近邻...原创 2018-11-23 15:18:20 · 563 阅读 · 3 评论 -
A review on deep learning for recommender systems: challenges and remedies
Batmaz Z , Yurekli A , Bilge A , et al. A review on deep learning for recommender systems: challenges and remedies[J]. Artificial Intelligence Review, 2018:1-37.本文分析了在推荐系统中使用的深度学习模型、针对推荐系统挑战的补救措施、对推...翻译 2019-01-11 16:32:04 · 1196 阅读 · 0 评论