推荐系统系列（一）：FM理论与实践
背景 在推荐领域CTR（click-through rate）预估任务中，最常用到的baseline模型就是LR（Logistic Regression）。对数据进行特征工程，构造出大量单特征，编码之后送入模型。这种线性模型的优势在于，运算速度快可解释性强，在特征挖掘完备且训练数据充分的前提下 ...
原文：推荐系统系列（三）：FNN理论与实践
背景 在FM之后出现了很多基于FM的升级改造工作，由于计算复杂度等原因，FM通常只对特征进行二阶交叉。当面对海量高度稀疏的用户行为反馈数据时，二阶交叉往往是不够的，三阶 四阶甚至更高阶的组合交叉能够进一步提升模型学习能力。如何能在引入更高阶的特征组合的同时，将计算复杂度控制在一个可接受的范围内 参考图像领域CNN通过相邻层连接扩大感受野的做法，使用DNN来对FM显式表达的二阶交叉特征进行再交叉，从 ...
2019-10-29 14:36 0 2434 推荐指数：
相关推荐
推荐系统系列（四）：PNN理论与实践
背景 上一篇文章介绍了FNN [2]，在FM的基础上引入了DNN对特征进行高阶组合提高模型表现。但FNN并不是完美的，针对FNN的缺点上交与UCL于2016年联合提出一种新的改进模型PNN（Product-based Neural Network）。 PNN同样引入了DNN对低阶特征进行组合 ...
推荐系统系列（五）：Deep Crossing理论与实践
的组合方式，也能达到不错的效果，且在各种任务中表现出较好的稳定性。 与之前介绍的FNN、PNN不同的是 ...
推荐系统系列（六）：Wide&Deep理论与实践
背景 在CTR预估任务中，线性模型仍占有半壁江山。利用手工构造的交叉组合特征来使线性模型具有“记忆性”，使模型记住共现频率较高的特征组合，往往也能达到一个不错的baseline，且可解释性强。但这种 ...
Spark推荐系统实践
推荐系统是根据用户的行为、兴趣等特征，将用户感兴趣的信息、产品等推荐给用户的系统，它的出现主要是为了解决信息过载和用户无明确需求的问题，根据划分标准的不同，又分很多种类别： 根据目标用户的不同，可划分为基于大众行为的推荐引擎和个性化推荐引擎 根据数据之间的相关性，可划分为基于人口统计 ...
推荐系统实践
推荐系统测评 实验方法 离线实验：准备训练数据测试数据并评估； 用户调查：问卷方式、和用户满意度调查 在线实验：AB测试：AB测试是一种很常用的在线评测算法的实验 ...
Python推荐系统库--Surprise理论
Surprise Surprise是scikit系列中的一个。Surprise的User Guide有详细的解释和说明 支持多种推荐算法 基础算法/baseline algorithms 基于近邻方法（协同过滤）/neighborhood methods 矩阵分解方法/matrix ...
推荐系统实践—ItemCF实现
参考：https://github.com/Lockvictor/MovieLens-RecSys/blob/master/usercf.py#L169 数据集 本文使用了MovieLens中的m ...