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
- 用户行为数据
- 用户特征
- 产品特征
- 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