![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
李明朔
这个作者很懒,什么都没留下…
展开
-
推荐系统组队学习——GBDT+LR
文章目录一、逻辑回归模型二、GBDT模型三、GBDT+LR模型四、编程实践一、逻辑回归模型逻辑回归是在线性回归的基础上加了一个 Sigmoid 函数(非线形)映射,使得逻辑回归成为了一个优秀的分类算法, 逻辑回归假设数据服从伯努利分布,通过极大化似然函数的方法,运用梯度下降来求解参数,来达到将数据二分类的目的。相比于协同过滤和矩阵分解利用用户的物品“相似度”进行推荐, 逻辑回归模型将问题看成了一个分类问题, 通过预测正样本的概率对物品进行排序。这里的正样本可以是用户“点击”了某个商品或者“观看”了某个视原创 2020-10-30 20:40:17 · 208 阅读 · 0 评论 -
推荐系统组队学习——Wide&Deep
文章目录一、点击率预估简介二、Wide&Deep原理三、代码实现四、深度学习推荐系统以后的发展一、点击率预估简介点击率预估是对每次广告点击情况作出预测,可以输出点击或者不点击,也可以输出该次点击的概率,后者有时候也称为pClick.点击率预估问题就是一个二分类的问题,在机器学习中可以使用逻辑回归作为模型的输出,其输出的就是一个概率值,我们可以认为输出的这个概率值是某个用户点击某广告的概率。广告点击率预估是需要得到某个用户对某个广告的点击率,然后结合广告的出价用于排序;而推荐算法很多大多数情况原创 2020-10-27 19:58:34 · 185 阅读 · 0 评论 -
推荐系统组队学习——矩阵分解和FM
文章目录一、矩阵分解1.隐语义模型与矩阵分解2.矩阵分解算法的原理3.Basic SVD4.编程实现5.优缺点分析二、FM一、矩阵分解1.隐语义模型与矩阵分解矩阵分解模型是在协同过滤共现矩阵的基础上, 使用更稠密的隐向量表示用户和物品,挖掘用户和物品的隐含兴趣和隐含特征, 在一定程度上弥补协同过滤模型处理稀疏矩阵能力不足的问题。它的核心思想是通过隐含特征(latent factor)联系用户兴趣和物品(item), 基于用户的行为找出潜在的主题和分类, 然后对item进行自动聚类,划分到不同类别/主原创 2020-10-24 20:59:48 · 496 阅读 · 0 评论 -
推荐系统组队学习——协同过滤
文章目录一、协同过滤介绍二、相似度度量方法1. 杰卡德(Jaccard)相似系数2. 余弦相似度3. 皮尔逊相关系数三、基于用户的协同过滤原理编程实现UserCF优缺点四、基于物品的协同过滤原理编程实现五、算法评估1. 召回率2. 准确率3. 覆盖率4.新颖度六、协同过滤算法的权重改进七、协同过滤算法的问题分析1 数据稀疏性的问题2 冷启动问题3 扩展性问题4 泛化能力弱的问题5 其它一些问题和挑战八、其他问题一、协同过滤介绍协同过滤方法, 基本思想是根据用户之前的喜好以及其他兴趣相近的用户的选择来给用原创 2020-10-22 21:05:29 · 738 阅读 · 0 评论 -
推荐系统组队学习——推荐系统概述
文章目录一、推荐系统简介二、常用评测指标1. 用户满意度2. 预测准确度3. 覆盖率4. 多样性5. 新颖性6. AUC曲线三、召回1.召回层在推荐系统架构中的位置及作用2.多路召回策略3.Embedding召回一、推荐系统简介Whata. 用户:推荐系统是一种帮助用户快速发现有用信息的工具b. 公司:推荐系统是一种增加公司产品与用户接触,购买等行为概率的工具Whya. 用户:在用户需求并不十分明确的情况下进行信息的过滤,与搜索系统相比,推荐系统更多的利用用户的各类历史信息猜测其可能喜欢的内容原创 2020-10-19 20:38:32 · 393 阅读 · 1 评论 -
推荐系统思维导图——第二章
最后一节有点难,学明白再补上。原创 2020-06-14 15:18:52 · 663 阅读 · 0 评论 -
推荐系统思维导图——第一章
目前正在学习推荐系统技术、评估及高效算法(枕边书),是真的难,计划年底前能全深入理解一遍。原创 2020-06-05 19:50:48 · 337 阅读 · 0 评论