- 博客(4)
- 资源 (6)
- 收藏
- 关注
RSS订阅原创 AI上推荐 之 FNN、DeepFM与NFM(FM在深度学习中的身影重现)
1. 前言随着信息技术和互联网的发展， 我们已经步入了一个信息过载的时代，这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：信息消费者：如何从大量的信息中找到自己感兴趣的信息？信息生产者：如何让自己生产的信息脱颖而出， 受到广大用户的关注？为了解决这个矛盾， 推荐系统应时而生， 并飞速前进，在用户和信息之间架起了一道桥梁，一方面帮助用户发现对自己有价值的信息， 一方面让信息能够展现在对它感兴趣的用户前面。 推荐系统近几年有了深度学习的助推发展之势迅猛， 从前深度学习的传统推荐模型(协
2020-12-28 23:20:35
12390
41
原创 本地Pycharm用远程服务上的Pyspark环境写Pyspark程序的环境搭建“采坑“记
1. 写在前面今天花费了也算一天的时间在采坑， 特意借这个时间记录一下整个采坑的过程。这次要做的事情是这样， 分别在服务器上和本地的pycharm上运行pyspark程序， 程序很简单，就是wordcount， 代码如下：from pyspark import SparkContextsc = SparkContext('local[2]', 'wordcount')rdd = sc.textFile('file:///home/hduser/bigdata/1.txt').flatMap(la
2020-12-28 13:30:30
2162
2
原创 AI上推荐 之 基于内容的推荐(ContentBasedRecommend)
1. 前言随着信息技术和互联网的发展， 我们已经步入了一个信息过载的时代，这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：信息消费者：如何从大量的信息中找到自己感兴趣的信息？信息生产者：如何让自己生产的信息脱颖而出， 受到广大用户的关注？为了解决这个矛盾， 推荐系统应时而生， 并飞速前进，在用户和信息之间架起了一道桥梁，一方面帮助用户发现对自己有价值的信息， 一方面让信息能够展现在对它感兴趣的用户前面。 推荐系统近几年有了深度学习的助推发展之势迅猛， 从前深度学习的传统推荐模型(协
2020-12-17 15:38:28
5119
6
原创 LearningToRank(LTR)排序算法LGBMRanker的原理和使用
1. 写在前面在最近新闻推荐的比赛中， 接触到了一个排序模型LGBMRanker， 该模型与普通的分类模型LGBMClassifier不太一样， 普通的分类模型在进行推荐的时候， 往往是先预测某个商品或者文章用户会不会点击， 也就是它的目标是预测用户点击某篇文章或者某个商品的概率， 然后根据这个概率值进行排序， 排完之后，把最靠前的几个返回回来给用户进行推荐。 而LGBRanker模型， 它不关心用户点击某篇文章的概率， 而是根据用户点击或者不点击的这个行为， 直接去预测最后商品或者文章的一个相对顺序，
2020-12-03 14:05:16
12217
2
墨尔本气温预测.zip
2020-03-12
深度学习理论知识.zip
2020-01-05
机器学习理论知识.zip
2020-01-05
AI算法工程师手册.zip
2020-01-05
机器学习、深度学习面试笔试题300+.pdf
2019-11-24
数据处理之特征选择知识.pdf
2019-11-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人