一、推荐系统在E&E上的两大难点
1、新用户
(1)无行为,而用户行为却是最有效特征;
(2)无信息,第三方信息获取成本高覆盖低。
2、新内容
(1)无反馈,无用户反馈其真实价值;
(2)难曝光,长尾内容很难进训练样本。
二、经典图模型—协同过滤
1、一种统计学习的图模型,常用于“以物推物”的item-based CF,简单效果好;
2、离线计算出最相似的topk个内容,构成物与物相连的有向图保存在起来;
3、推荐时快速定位用户接触过的seeds列表:
(1)在“1推多”场景直接查找节点的邻边;
(2)在“n推n”场景根据多节点对各邻边加权求和;
(3)在多样性推荐中将seeds分组并执行多个“1推 多”操作。
三、CF graph较弱的泛化能力
1、偏热推荐:因算法本身设计问题,造成马太效应推荐,长尾顾及不到;
2、内部环路:容易形成内部环路,一些内容互为topk近邻。
四、如何拓展图的泛化能力
图推荐算法在E&E问题上的应用
最新推荐文章于 2021-01-01 21:56:29 发布