推薦系統論文之序列推薦：KERL
。但是這些工作僅專注於所推薦商品的局部收益，並未考慮該商品對於序列長期的影響。 強化學習（RL）通過最大化長期回 ...
原文：（譯）序列推薦系統：挑戰，進程與發展
摘要 在近幾年，序列推薦系統 SRSs 的新興主題已經吸引了越來越多的注意。傳統的推薦系統使用協同過濾和基於內容的過濾，與之不同的是，序列推薦系統試圖去理解和構建一個序列模型，這個序列中包括了使用者行為習慣，用戶與商品的交互，用戶偏好的發展，商品流行的時間。序列推薦系統包含了以上幾個方面，以便更加精確地描述用戶的信息 意圖和目標以及商品的消費趨勢等特征，從而進行更加准確 個性化和動態地推薦。在本文 ...
2019-09-07 10:59 3 1948 推薦指數：
相關推薦
itemKNN發展史----推薦系統的三篇重要的論文解讀
itemKNN發展史----推薦系統的三篇重要的論文解讀 本文用到的符號標識 1、Item-based CF 基本過程： 計算相似度矩陣 Cosine相似度 皮爾遜相似系數 參數聚合進行推薦 根據用戶項目交互矩陣 \(A\) 計算相似度 ...
推薦系統（蔣凡譯）— 第三章 基於內容的推薦
在應用協同過濾推薦技術時，除了用戶評分數據，我們不需要額外的物品數據。這樣的好處是避免了付出很大的代價向系統提供詳細而且實時更新的物品描述信息，但是這種僅基於純粹的協同過濾的算法卻無法根據物品的特性和用戶的特殊偏好來客觀選擇推薦物品的。 本章中，將物品的特征描述為“內容”。因為后面章節 ...
推薦系統（14）—— 快手推薦精排模型的發展史
1、參數個性化 CTR 模型 - PPNet 2019 年之前，快手 App 主要以雙列的瀑布流玩法為主，用戶同視頻的交互與點擊，觀看雙階段來區分。在這種形式下， CTR 預估模型變得尤為關鍵，因為它將直接決定用戶是否願意點擊展示給他們的視頻。彼時業界主流的推薦模型還是以 DNN ...
億級用戶，騰訊看點信息流推薦系統的架構挑戰
導語 | 看點信息流每天為億級用戶提供海量實時推薦服務，除了大並發/低延遲/高性能等傳統架構挑戰以外，還有哪些推薦系統特有的架構挑戰難題，又是如何解決的？本文是對騰訊看點獨立端推薦研發中心總監——彭默在雲＋社區沙龍online的分享整理，希望與大家一同交流。 點擊視頻查看完整直播回放 ...
推薦系統（蔣凡譯）— 第四章 基於知識的推薦
4.1 介紹 CF系統需要用戶的評分數據作為知識源，向用戶推薦商品，而不需要輸入並維護其他的附加信息。基於內容的推薦系統主要應用的知識源包括類別和體裁信息，還有從文檔中提取的關鍵詞。這兩種方法的優勢在於能以相對較小的代價獲取並維護這些知識。但是日常生活中，純粹的CF系統會由於評分 ...
推薦系統算法的種類：一般的推薦（general recommendation）和序列化推薦（sequential recommendation）
推薦系統大致分為兩類：一般的推薦（general recommendation）和序列化推薦（sequential recommendation），簡單來講，就是根據需不需要考慮時間順序來進行划分，前者將用戶偏好視為靜態的，學習用戶和物品的靜態表示，后者認為用戶偏好隨時間動態變化，根據交互序列 ...
[譯] SolidWorks的發展歷史(1994~2007)
原文請見：http://www.cadhistory.net/toc.htm 第18章 SolidWorks 和CAD行業的其他公司一樣，Solidworks的創立原自於某一個人的遠見卓 ...