1. 简介 NCF是协同过滤在神经网络上的实现——神经网络协同过滤。由新加坡国立大学与2017年提出。 我们知道，在协同过滤的基础上发展来的矩阵分解取得了巨大的成就，但是矩阵分解得到低维隐向量求内积是线性的，而神经网络模型能带来非线性的效果，非线性可以更好地捕捉用户和物品空间的交互特征 ...

1. 简介 本篇文章先简单介绍论文思路，然后使用Tensoflow2.0、Keras API复现算法部分。包括： 自定义模型 自定义损失函数 自定义评价指标RMSE 就题目而言《AutoRec: Autoencoders Meet Collaborative ...

DeepCrossing是在AutoRec之后，微软完整的将深度学习应用在推荐系统的模型。其应用场景是搜索推荐广告中，解决了特征工程，稀疏向量稠密化，多层神经网路的优化拟合等问题。所使用的特征在论文中描述为两个大类数值型（文中couting feature）和类别型。如下图 对于数值型特征 ...

——Product-based Neural Network，PNN是一个基于神经网络的推荐模型，主要的改进 ...

这里有三种方式保存模型： 　　 　　　　第一种：　　只保存网络参数，适合自己了解网络结构 　　　　第二种：　　保存整个网络，可以完美进行恢复 　　　　第三个是保存格式。 第一种方式： 　　 　　实践操作： 　　 第二种方式：（存入整个模型 ...

如果使用多GPU训练模型，推荐使用内置fit方法，较为方便，仅需添加2行代码。 在Colab笔记本中：修改->笔记本设置->硬件加速器 中选择 GPU 注：以下代码只能在Colab 上才能正确执行。 可通过以下colab链接测试效果《tf_多GPU》： https ...

深度学习模型一般由各种模型层组合而成。 tf.keras.layers内置了非常丰富的各种功能的模型层。例如， layers.Dense,layers.Flatten,layers.Input,layers.DenseFeature,layers.Dropout layers.Conv2D ...

深度学习的训练过程常常非常耗时，一个模型训练几个小时是家常便饭，训练几天也是常有的事情，有时候甚至要训练几十天。 训练过程的耗时主要来自于两个部分，一部分来自数据准备，另一部分来自参数迭代。 当数据准备过程还是模型训练时间的主要瓶颈时，我们可以使用更多进程来准备数据。 当参数迭代过程成为训练 ...