- 博客(10)
- 收藏
- 关注
RSS订阅原创 Binary Search---Search In Sorted Matrix I
【代码】Binary Search---Search In Sorted Matrix I。
2023-09-23 13:03:52
66
1
原创 Binary Search---Classical Binary Search
【代码】Binary Search---Classical Binary Search。
2023-09-23 12:21:57
65
1
原创 Binary Search---K Closest In Sorted Array
【代码】Binary Search---K Closest In Sorted Array。
2023-09-23 12:20:33
69
1
原创 DS实习Week1 ---推荐系统学习（5）实例：电影推荐系统②
三、提取用户特征一、模型设计介绍神经网络模型设计是电影推荐任务中重要的一环。它的作用是提取图像、文本或者语音的特征，利用这些特征完成分类、检测、文本分析等任务。在电影推荐任务中，我们将设计一个神经网络模型，提取用户数据、电影数据的特征向量，然后计算这些向量的相似度，利用相似度的大小去完成推荐。根据前一章中对建模思路的分析，神经网络模型的设计包含如下步骤：分别将用户、电影的多个特征数据转换成特征向量。对这些特征向量，使用全连接层或者卷积层进一步提取特征。
2023-07-07 15:19:45
519
2
原创 DS实习Week1 ---推荐系统学习（4）实例：电影推荐系统①
一、数据集介绍一、数据集介绍个性化推荐算法的数据大多是文本和图像。比如网易云音乐推荐中，数据是音乐的名字、歌手、音乐类型等文本数据；抖音视频推荐中，数据是视频或图像数据；也有可能同时使用图像和文本数据，比如YouTube的视频推荐算法中，会同时考虑用户信息和视频类别、视频内容信息。本次实践我们采用电影推荐数据集，它是GroupLens Research从MovieLens网站上收集并提供的电影评分数据集。
2023-06-18 23:09:38
1723
2
原创 DS实习Week1 ---推荐系统学习（3）评测指标
那么我用一个简单的规则来进行预测：即无论数据的特征是什么，我都预测为负例，那么我这个带有规则的算法的精度可以高达99%，实际上对于再厉害的机器学习算法也很难达到这样的标准，很显然这样的指标在不平衡的数据上是不客观的。那么召回率就可以比较好的进行评价了，预测为正例的个数比上实际的测试集上正例的个数，很显然对于刚才那么一直预测为负例的规则算法，它的召回率是0。评分预测只能适用于小部分的场景，比如对于电影，书籍的评分，其实Top-N推荐更加符合现在的需求，给用户提供一个推荐的列表让其进行选择。
2023-06-15 21:48:56
144
1
原创 DS实习Week1 ---推荐系统学习（2）推荐系统分类
首先我们需要明确所要解决的问题，即对于一个M行（M个item），N列（N个user）的矩阵，当然这个矩阵是很稀疏的，即用户对于项目的评分是不充分的，大部分是没有记录的，我们的任务是要通过分析已有的数据（观测数据）来对未知数据进行预测，即这是一个矩阵补全（填充）任务。模型更像是神经网络中的轴突，低层的输出作为高层的输入。他是通过梯度下降法来最小化误差的平方损失，其中θj为所要学习的用户维度特征，Xi为项目的内容维度特征，我们所要训练的是用户j对于已有行为的项目j的训练，来使得观测数据与预测数据的误差最小。
2023-06-15 21:32:34
169
1
原创 DS实习Week1 ---推荐系统学习（1）入门简介
（人们只关注曝光率高的项目，而忽略曝光率低的项目）可以很好的解释推荐系统的存在，试验表明位于长尾位置的曝光率低的项目产生的利润不低于只销售曝光率高的项目的利润。推荐系统通过用户的历史行为或者用户的兴趣偏好或者用户的人口统计学特征来送给推荐算法，然后推荐系统运用推荐算法来产生用户可能感兴趣的项目列表，同时用户对于搜索引擎是被动的。这两者都是为了解决信息过载而提出的两种不同的技术，一个问题，两个出发点。的问题，即会造成越流行的东西随着搜索过程的迭代会越流行，使得那些越不流行的东西石沉大海。
2023-06-15 21:22:06
165
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人