机器学习
NLP_WYG
奋斗不止。。。
展开
-
learning to rank之评价指标
本文章转载自http://www.cnblogs.com/eyeszjwang/articles/2368087.html Learning to Rank for IR的评价指标—MAP,NDCG,MRR MAP(Mean Average Precision):单个主题的平均准确率是每篇相关文档检索出后的准确率的平均值。主集合的平均准确率(MAP)是每个主题的转载 2015-01-02 15:21:06 · 1590 阅读 · 0 评论 -
推荐系统的坑2
转自:http://www.wangke.me/?p=173 推荐系统的坑(2) 标准 上一篇《推荐系统的坑》主要讲了产品思路方面的坑,这一次,讲一讲做这个过程中的坑。这个坑,更坑。 第一坑,轻“效果”; “推荐系统是解决互联网海量信息资源出现信息过载问题的方法…”如同日本片子开头的那个黑色的文字序幕,我已经看到不下六百篇介绍推荐系统的文章用了这个开头转载 2015-03-27 13:14:39 · 660 阅读 · 0 评论 -
推荐系统的坑
推荐系统的坑 转自:http://www.wangke.me/?p=103 标准 不知不觉,从事推荐系统相关工作已近两年,这两年自己踩坑,看人踩坑已然不少。记得一位资深从业者说“现在看起来,推荐系统就是个坑啊!”,心有戚戚的同时又不禁思索,到底坑在哪? 第一坑:高估系统对用户需求的捕捉能力; 我们都说,搜索引擎是满足用户主动需求的产品,而推荐系统则转载 2015-03-27 13:13:08 · 1812 阅读 · 0 评论 -
推荐系统之反面案例
原文发表在 http://phunters.lofter.com/post/86d56_8afcd0 推荐系统是近几年来机器学习和大数据在商业化上的重要应用。依靠展示“买了这个东西的用户还喜欢买什么”这样的商品推荐,推荐系统amazon美国店已经创造了占全店30%以上的收益。国内有很多网站也跟风做推荐系统,做的好的豆瓣猜啊虾米音乐推荐啊等等,做的不好的都有各种二逼,二逼到无以复加,让用户恶心转载 2015-03-21 19:00:06 · 638 阅读 · 0 评论 -
Netflix工程总监眼中的分类算法:深度学习优先级最低
转自http://www.iteye.com/news/30569 编者按】针对Quora上的一个老问题:不同分类算法的优势是什么?Netflix公司工程总监Xavier Amatriain近日给出新的解答,他根据奥卡姆剃刀原理依次推荐了逻辑回归、SVM、决策树集成和深度学习,并谈了他的不同认识。他并不推荐深度学习为通用的方法,这也侧面呼应了我们之前讨论的问题:深度学习能否取代其他机器学习算转载 2015-06-10 13:55:53 · 488 阅读 · 0 评论