推荐系统
文章平均质量分 87
wuzk2009
这个作者很懒,什么都没留下…
展开
-
电商推荐算法-数据方案篇
随着电商平台的成长,产生了严重的信息过载。如果不采用一定的手段,用户很难从如此多的商品信息流中找到对自己项买的商品,推荐算法由此应用而生。第一种是传统的搜索,用户有明确的需求意图 ,将意图转换为几个简短的词或者短语的组合(即query),然后将这些词或短语组合提交到相应的搜索引擎,再由搜索引擎在海量的信息库中检索出与query相关的信息返回给用户;第二种是大数据推荐,很多时候用户的意图并不是很明确,或者很难用清晰的语义表达,这种情况下搜索就显得捉襟见肘了。原创 2024-09-09 10:47:10 · 780 阅读 · 0 评论 -
电商推荐系统 和 营销系统用户画像建模
b、召回策略: 协同召回、规则召回、比如:新品、热门、标签、品类 、Lbs、向量召回:双塔DSSM 、YouTube DNN、树召回TDM;a、用户基本属性:性别、年龄、社会身份、收入状态、所属 国籍、城市。b、用户行为属性:搜索、浏览、点击、购买、分享、评价、投诉、售后。d、敏感度:活动敏感度、优惠敏感度、热门新品敏感度。h、消费偏好:品牌、品类,优惠促销、拉新人。i、用户等级:生命周期、活跃度、vip等级。f、消费行为:订单次数、频次,金额、单价。a、用户性别、孩子性别、是否有车。原创 2024-09-06 13:52:15 · 474 阅读 · 0 评论 -
推荐系统-阿里排序模型
早期的CTR预估模型主要依赖于线性模型和简单的特征工程。随着深度学习的发展,许多现代的深度学习模型都是基于这些经典模型演变而来的。例如,因子分解机(FM)通过低维向量表示每个特征字段,并通过内积学习二阶特征交互,显著提升了线性模型的性能。Wide&Deep模型结合了宽线性通道和深度神经网络通道,以捕捉特征交互。原创 2024-09-06 13:43:24 · 833 阅读 · 0 评论 -
推荐系统-多兴趣召回
self-attention是将输入序列的每个行为都当作target,并计算所有行为到target的attention,达到“互相看一看”的效果,最终输出N个向量。* 首先,通过用户行为序列,采用self-attentive方法生成一个用户的兴趣向量,并在兴趣池中筛选出K个兴趣。1. SINE的优势在于显性建模,即维护了一个庞大的兴趣池,无论用户行为集中or分散、稀疏or稠密,都可以挑选出合适的兴趣激活,自适应能力强,更适合电商这种商品类别繁多的场景。在兴趣角度,每个兴趣分配给所有用户行为的总和为1。原创 2024-09-06 13:46:19 · 786 阅读 · 0 评论