- 博客(4)
- 收藏
- 关注
RSS订阅原创 推荐news
排序模型 通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是： LGB的排序模型 LGB的分类模型 深度学习的分类模型DIN
2020-12-06 22:55:33
108
1
原创 推荐系统的笔记
Word2Vec训练及gensim的使用 Word2Vec主要思想是：一个词的上下文可以很好的表达出词的语义。通过无监督学习产生词向量的方式。word2vec中有两个非常经典的模型：skip-gram和cbow。 skip-gram：已知中心词预测周围词。 cbow：已知周围词预测中心词。 在使用gensim训练word2vec的时候，有几个比较重要的参数 size: 表示词向量的维度。 window：决定了目标词会与多远距离的上下文产生关系。 sg: 如果是0，则是CBOW模型，是1则是Skip-Gra
2020-12-03 22:46:06
87
原创 2020-11-30
多路召回 所谓的“多路召回”策略，就是指采用不同的策略、特征或简单模型，分别召回一部分候选集，然后把候选集混合在一起供后续排序模型使用，可以明显的看出，“多路召回策略”是在“计算速度”和“召回率”之间进行权衡的结果。其中，各种简单策略保证候选集的快速召回，从不同角度设计的策略保证召回率接近理想的状态，不至于损伤排序效果。如下图是多路召回的一个示意图，在多路召回中，每个策略之间毫不相关，所以一般可以写并发多线程同时进行，这样可以更加高效。 导包 import pandas as pd imp.
2020-11-30 22:37:14
97
原创 2020-11-25
推荐系统学习笔记赛题理解赛题简介数据概况合理的创建标题，有助于目录的生成评价方式理解赛题理解Baselinedf节省内存函数节约内存的一个标配函数读取采样或全量数据debug模式：从训练集中划出一部分数据来调试代码总结 赛题理解 赛题理解是切入一道赛题的基础，会影响后续特征工程和模型构建等各种工作，也影响着后续发展工作的方向，正确了解赛题背后的思想以及赛题业务逻辑的清晰，有利于花费更少时间构建更为有效的特征模型， 在各种比赛中， 赛题理解都是极其重要且必须走好的第一步， 今天我们就从赛题的理解出发， 首先了
2020-11-25 22:36:27
82
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人