推荐系统als-lr

推荐方法

• 基于规则的推荐
• 基于传统机器学习的推荐
• 基于深度学习的推荐

推荐模型

• 规则模型：规则定义，简单的算术公式
• 机器学习模型训练：数据训练后的算术公式
• 机器学习模型预测：待预测数据经过训练模型算术公式后的结果

模型评价指标

• 离线指标：查全率，查准率，auc等
  • 离线指标是在线指标的一个准入标准
• 在线指标：点击率，交易转换率等
• A/B测试

系统模型图

核心

召回

个性化召回算法ALS（粗排）

• 最小二乘法
• 利用矩阵分解的结果无限逼近现有数据，得到隐含特征
• 利用隐含特征预测其余结果

举例

1. 用户行为数据
   
2. 用户特征
   
3. 产品特征
   
4. 公式
   

说明

• 将user矩阵和product矩阵的转置相乘
• 获取无限逼近真于实数据的分数
• 同时预测其余节点的分数，排序后输出

排序

个性化排序算法LR（精排）

• 逻辑回归
• Y = ax₁+b₂+c₃+d₄+…
• 计算拟合公式

图解

特征处理

• 连续特征：压缩数据到0-1
  • z-score标准化(x-mean)/std ，mean平均值 std标准差
  • max-min标准化(x-min)/(max-min )
• 离散特征：one-hot编码
• 连续特征离散化：bucket编码，可以按区间分档，每档一个[0,1]特征