![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐算法
文章平均质量分 65
--好好学算法--
这个作者很懒,什么都没留下…
展开
-
推荐系统-FM模型
FM原创 2024-06-25 17:18:52 · 376 阅读 · 0 评论 -
推荐系统GBDT+LR
GBDT+LR原创 2024-06-24 15:00:48 · 632 阅读 · 0 评论 -
推荐系统学习笔记(五)-----双塔模型
双塔模型原创 2024-06-11 19:52:35 · 426 阅读 · 0 评论 -
推荐系统学习笔记(四)--基于向量的召回
离散特征:性别,国籍,英文单词,物品id,用户id处理:建立字典:eg:china = 1向量化:eg:one-hot /embedding(低维稠密向量)原创 2024-05-21 19:54:52 · 381 阅读 · 0 评论 -
推荐系统学习笔记(三)
Q:假如重合的用户是一个小圈子:在一个群里,毫无关联的笔记也会被同时交互solve:降低小圈子权重--------------swing的主要目的------------给用户加权相似度:a是人工参数,overlap降低小圈子对相似度的影响。原创 2024-05-21 19:39:19 · 470 阅读 · 0 评论 -
推荐系统学习笔记(二)
1.给定用户id,用户->物品,找到用户近期感兴趣的物品列表(last-n)2.对于last-n中的每个物品,物品->物品,找到top-k相似物品。用户对物品j的兴趣 * 物品j与候选物品的相似度。3.对上面的物品(最多nk个),计算兴趣分数。4.返回分数最高的100个物品,作为推荐结果。没有考虑用户喜欢物品的程度。计算相似度 (0,1)量化用户对物品的兴趣。相似:受众有无重合、索引的意义:避免枚举。原创 2024-05-16 19:54:44 · 127 阅读 · 0 评论 -
推荐系统学习笔记(一)
同类策略(精排中的两种模型)天然互斥,并且(两条召回通道)效果会相互影响,避免干扰。反转:有的指标立刻影响,有的需要长期观测-------尽快推全也可以长期观测。10%作为holdout桶,实验使用剩余的90%,做diff(需要归一化)不同策略(添加召回通道,优化粗排模型)通常不会干扰,可以作为正交的两层。保留10%,完全不受实验影响,可以考察整个部门对业务指标的贡献。同层互斥----避免一个用户被两个实验影响。不同层正交----每层独立随机分配用户。推全:新层,与其他层正交,90%用户。原创 2024-05-15 10:53:22 · 169 阅读 · 0 评论