个性化召回算法实践(二)——LFM算法
LFM算法核心思想是通过隐含特征(latent factor)联系用户兴趣和物品，找出潜在的主题和分类。LFM（latent factor model）通过如下公式计算用户u对物品i的兴趣： \[Preference(u,i) = r_{ui} = {p_u}^T q_i = \sum_ ...
原文：个性化召回算法实践(五)——item2vec
item vec将用户的行为序列转化成item组成的句子，模仿word vec训练word embedding将item embedding。基本思想是把原来高维稀疏的表示方式 one hot 映射到低维稠密的向量空间中，这样我们就可以用这个低维向量来表示该项目 电影 ，进而通过计算两个低维向量之间的相似度来衡量两个项目之间的相似性。 embedding就是用一个低维的向量表示一个物体，可以是一个 ...
2019-10-30 17:37 3 1459 推荐指数：
相关推荐
个性化召回算法实践(三)——PersonalRank算法
将用户行为表示为二分图模型。假设给用户\(u\)进行个性化推荐，要计算所有节点相对于用户\(u\)的相关度，则PersonalRank从用户\(u\)对应的节点开始游走，每到一个节点都以\(1-d\)的概率停止游走并从\(u\)重新开始，或者以\(d\)的概率继续游走，从当前节点指向的节点 ...
个性化召回算法实践(四)——ContentBased算法
ContentBased算法的思想非常简单：根据用户过去喜欢的物品（本文统称为 item），为用户推荐和他过去喜欢的物品相似的物品。而关键就在于这里的物品相似性的度量，这才是算法运用过程中的核心。 CB的过程一般包括以下三步： 物品表示（Item Representation）：为每个item抽取 ...
个性化召回算法实践(一)——CF算法
协同过滤推荐（Collaborative Filtering Recommendation）主要包括基于用户的协同过滤算法与基于物品的协同过滤算法。 下面，以movielens数据集为例，分别实践这两种算法。 movielens数据集包含四列，【用户ID|电影ID|打分|时间戳】，根据用户 ...
个性化排序算法实践(五)——DCN算法
wide&deep在个性化排序算法中是影响力比较大的工作了。wide部分是手动特征交叉(负责memorization)，deep部分利用mlp来实现高阶特征交叉(负责generalization)，wide部分和deep部分joint train。 Deep&Cross ...
个性化排序算法实践(三)——deepFM算法
FM通过对于每一位特征的隐变量内积来提取特征组合，最后的结果也不错，虽然理论上FM可以对高阶特征组合进行建模，但实际上因为计算复杂度原因，一般都只用到了二阶特征组合。对于高阶特征组合来说，我们很自然想 ...
个性化排序算法实践(一)——FM算法
因子分解机（Factorization Machine，简称FM）算法用于解决大规模稀疏数据下的特征组合问题。FM可以看做带特征交叉的LR。 理论部分可参考FM系列，通过将FM的二次项化简，其复杂度可优化到\(O(kn)\)。即： \[\hat y(x) = w_0+\sum_{i ...
个性化排序算法实践(四)——GBDT+LR
本质上GBDT+LR是一种具有stacking思想的二分类器模型，所以可以用来解决二分类问题。这个方法出自于Facebook 2014年的论文 Practical Lessons from Predi ...