推薦系統系列（一）：FM理論與實踐
背景 在推薦領域CTR（click-through rate）預估任務中，最常用到的baseline模型就是LR（Logistic Regression）。對數據進行特征工程，構造出大量單特征，編碼之后送入模型。這種線性模型的優勢在於，運算速度快可解釋性強，在特征挖掘完備且訓練數據充分的前提下 ...
原文：推薦系統系列（三）：FNN理論與實踐
背景 在FM之后出現了很多基於FM的升級改造工作，由於計算復雜度等原因，FM通常只對特征進行二階交叉。當面對海量高度稀疏的用戶行為反饋數據時，二階交叉往往是不夠的，三階 四階甚至更高階的組合交叉能夠進一步提升模型學習能力。如何能在引入更高階的特征組合的同時，將計算復雜度控制在一個可接受的范圍內 參考圖像領域CNN通過相鄰層連接擴大感受野的做法，使用DNN來對FM顯式表達的二階交叉特征進行再交叉，從 ...
2019-10-29 14:36 0 2434 推薦指數：
相關推薦
推薦系統系列（四）：PNN理論與實踐
背景 上一篇文章介紹了FNN [2]，在FM的基礎上引入了DNN對特征進行高階組合提高模型表現。但FNN並不是完美的，針對FNN的缺點上交與UCL於2016年聯合提出一種新的改進模型PNN（Product-based Neural Network）。 PNN同樣引入了DNN對低階特征進行組合 ...
推薦系統系列（五）：Deep Crossing理論與實踐
的組合方式，也能達到不錯的效果，且在各種任務中表現出較好的穩定性。 與之前介紹的FNN、PNN不同的是 ...
推薦系統系列（六）：Wide&Deep理論與實踐
背景 在CTR預估任務中，線性模型仍占有半壁江山。利用手工構造的交叉組合特征來使線性模型具有“記憶性”，使模型記住共現頻率較高的特征組合，往往也能達到一個不錯的baseline，且可解釋性強。但這種 ...
Spark推薦系統實踐
推薦系統是根據用戶的行為、興趣等特征，將用戶感興趣的信息、產品等推薦給用戶的系統，它的出現主要是為了解決信息過載和用戶無明確需求的問題，根據划分標准的不同，又分很多種類別： 根據目標用戶的不同，可划分為基於大眾行為的推薦引擎和個性化推薦引擎 根據數據之間的相關性，可划分為基於人口統計 ...
推薦系統實踐
推薦系統測評 實驗方法 離線實驗：准備訓練數據測試數據並評估； 用戶調查：問卷方式、和用戶滿意度調查 在線實驗：AB測試：AB測試是一種很常用的在線評測算法的實驗 ...
Python推薦系統庫--Surprise理論
Surprise Surprise是scikit系列中的一個。Surprise的User Guide有詳細的解釋和說明 支持多種推薦算法 基礎算法/baseline algorithms 基於近鄰方法（協同過濾）/neighborhood methods 矩陣分解方法/matrix ...
推薦系統實踐—ItemCF實現
參考：https://github.com/Lockvictor/MovieLens-RecSys/blob/master/usercf.py#L169 數據集 本文使用了MovieLens中的m ...