![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐算法也可以很简单
文章平均质量分 95
予以初始
机器学习、深度学习、NLP、CV、推荐算法都略知一二的小白
展开
-
推荐算法(十一)——阿里深度会话兴趣网络 DSIN
目录1 介绍2 原理2.1 Session Division Layer2.2 Session Interest Extractor Layer2.3 Session Interest Interacting Layer2.4 Session Interest Activating Layer3 实验4 总结写在最后1 介绍本文为 推荐系统专栏 的第十一篇文章,也是阿里三部曲 DIN、DIEN、DSIN中的最后一篇。本篇的深度会话兴趣网络 DSIN,是将行为序列划分为多个 Session,然后针对每个原创 2021-12-08 16:20:56 · 1354 阅读 · 0 评论 -
推荐算法(十)——阿里深度兴趣进化网络 DIEN
目录1 介绍2 原理2.1 Behavior Layer2.2 Interest Extractor Layer2.3 Interest Evolving Layer3 总结写在最后1 介绍本文为 推荐系统专栏 的第十篇文章,也是阿里三部曲 DIN、DIEN、DSIN中的第二篇。上篇文章介绍的 DIN,通过引入 Attention Layer 赋予用户行为不同的重要性权重,但却忽略了行为发生的时间顺序。本篇的深度兴趣进化网络 DIEN,就是针对行为的时间顺序进行建模,挖掘用户的兴趣及兴趣变化趋势。原创 2021-11-15 16:30:43 · 1565 阅读 · 0 评论 -
推荐算法(九)——阿里经典深度兴趣网络 DIN
目录1 介绍2 原理2.1 Base Model2.2 DIN3 总结5 代码实践写在最后1 介绍本文为 推荐系统专栏 的第九篇文章,也是阿里三部曲 DIN、DIEN、DSIN中的第一篇。内容围绕 DIN 的原理及代码展开,后续会出后两篇的详解。阿里出品的深度兴趣网络 DIN,通过引入 Attention Layer,赋予用户行为不同的重要性权重,获得更具表达能力的用户兴趣表示。论文传送门:Deep Interest Network for Click-Through Rate Predictio原创 2021-11-04 16:28:15 · 855 阅读 · 1 评论 -
推荐算法(八)——显式特征交互模型 PNN
目录1 介绍2 原理2.1 Embedding Layer2.2 Product Layer2.3 Hidden Layer3 总结5 代码实践写在最后1 介绍本文为 推荐系统专栏 的第八篇文章,内容围绕 PNN 的原理及代码展开。PNN 出自上海交大,通过引入特征交互层 Product Layer,显式的对特征进行交互,以提升模型的表达能力。论文传送门:Product-based Neural Networks for User Response Prediction代码传送门:PNN2 原原创 2021-10-12 17:17:50 · 993 阅读 · 0 评论 -
推荐算法(七)——FM 与 DNN 的另一种结合产物 FNN
目录1 介绍2 原理2.1 Sparse Binary Features2.2 Dense Real Layer2.3 Hidden Layer3 总结5 代码实践写在最后1 介绍本文为推荐系统专栏的第七篇文章,内容围绕 FNN 的原理及代码展开。论文传送门:Deep Learning over Multi-field Categorical Data– A Case Study on User Response Prediction代码传送门:FNNFNN 是 2016 年产出的模型, 跟 D原创 2021-05-26 09:32:00 · 691 阅读 · 0 评论 -
推荐算法(六)—— xDeepFM 通俗理解及代码实战
目录1 介绍2 原理3 总结4 实验5 代码实践写在最后1 介绍本文为推荐系统专栏的第七篇文章,内容围绕 xDeepFM 的原理及代码展开。xDeepFM 是由中科大、北大、微软联合发表在 KDD’18 上的文章,颇为经典。论文传送门:xDeepFM: Combining Explicit and Implicit Feature Interactionsfor Recommender Systems代码传送门:xDeepFMxDeepFM 是 Wide & Deep 的改进版,在此基原创 2021-05-13 08:58:50 · 6666 阅读 · 8 评论 -
推荐算法(五)——谷歌经典 Deep&Cross Network原理及代码实践
目录1 介绍2 原理2.1 Embedding and stacking layer2.2 Cross Network2.3 Deep network2.4 Combination layer3 总结4 代码实践1 介绍DCN 是 2017 年由谷歌和斯坦福大学联合出品的 CTR 预估模型。论文传送门:Deep & Cross Network代码传送门:Deep & Cross Network 模型复现传统模型比如 Wide&Deep 主要是通过 deep 部分提取高阶特征原创 2021-04-27 23:14:47 · 1353 阅读 · 2 评论 -
推荐算法(四)——经典模型 DeepFM 模型详解及代码实践
目录1 介绍2 模型结构3 实验结果4 总结5 代码实践1 介绍DeepFM 是华为诺亚方舟实验室在 2017 年提出的模型。论文传送门:A Factorization-Machine based Neural Network for CTR Prediction正如名称所示,DeepFM 是 Deep 与 FM 结合的产物,也是 Wide&Deep 的改进版,只是将其中的 LR 替换成了 FM,提升了模型 wide 侧提取信息的能力。学 DeepFM 之前建议先了解 FM 与 Wide原创 2021-03-31 23:36:17 · 6804 阅读 · 0 评论 -
推荐算法(三)——Wide&Deep 推荐算法与深度学习的碰撞
目录1 介绍2 模型结构2.1 Wide Models2.2 Deep Models3 实验结果4 总结5 代码实践写在最后1 介绍Wide&Deep 是 Google 在2016年提出的模型,一个线性模型与深度模型结合的产物。在此之前,CTR 任务中主要以线性模型+人工特征为主流方法,此类方法缺陷比较明显:线性模型表达能力有限,需要大量人工特征来提升模型效果。随着深度学习的不断火热,深度模型展现了强大的表达能力,并且能自适应的学习特征之间的高阶交互。因此 Google 取彼之长补己之短,将原创 2021-02-25 17:15:08 · 1296 阅读 · 0 评论 -
推荐算法(二)——FFM原理浅析及代码实践
目录1 介绍2 原理3 总结4 代码实战写在最后1 介绍FFM(Field-aware Factorization Machine)是 FM 的改进版,将域 (Field-aware) 的概念引入其中。因为作者认为一个特征在跟不同特征作交互时,会发挥不同的作用,因此应该具有不同的向量表示。本文是推荐系统系列文章的第二篇,FFM原理及代码的详细介绍。2 原理先回顾一下 FM 算法原理。公式如下:一个特征只对应一个隐向量 v, 与不同特征特征交互时都使用这个向量表示。作者引入 field 的原创 2021-02-01 18:02:52 · 1231 阅读 · 0 评论 -
推荐算法(一)——FM因式分解机
目录介绍原理代码总结介绍FM(Factorization Machines,因子分解机)早在2010年提出,作为逻辑回归模型的改进版,拟解决在稀疏数据的场景下模型参数难以训练的问题。并且考虑了特征的二阶交叉,弥补了逻辑回归表达能力差的缺陷。FM 作为推荐算法广泛应用于推荐系统及计算广告领域,通常用于预测点击率 CTR(click-through rate)和转化率 CVR(conversion rate)。原理逻辑回归为普通的线性模型,优点是复杂度低、方便求解,但缺点也很明显,没有考虑特征之间的交原创 2021-01-08 13:47:15 · 1419 阅读 · 2 评论