個性化召回算法實踐(二)——LFM算法
LFM算法核心思想是通過隱含特征(latent factor)聯系用戶興趣和物品，找出潛在的主題和分類。LFM（latent factor model）通過如下公式計算用戶u對物品i的興趣： \[Preference(u,i) = r_{ui} = {p_u}^T q_i = \sum_ ...
原文：個性化召回算法實踐(五)——item2vec
item vec將用戶的行為序列轉化成item組成的句子，模仿word vec訓練word embedding將item embedding。基本思想是把原來高維稀疏的表示方式 one hot 映射到低維稠密的向量空間中，這樣我們就可以用這個低維向量來表示該項目 電影 ，進而通過計算兩個低維向量之間的相似度來衡量兩個項目之間的相似性。 embedding就是用一個低維的向量表示一個物體，可以是一個 ...
2019-10-30 17:37 3 1459 推薦指數：
相關推薦
個性化召回算法實踐(三)——PersonalRank算法
將用戶行為表示為二分圖模型。假設給用戶\(u\)進行個性化推薦，要計算所有節點相對於用戶\(u\)的相關度，則PersonalRank從用戶\(u\)對應的節點開始游走，每到一個節點都以\(1-d\)的概率停止游走並從\(u\)重新開始，或者以\(d\)的概率繼續游走，從當前節點指向的節點 ...
個性化召回算法實踐(四)——ContentBased算法
ContentBased算法的思想非常簡單：根據用戶過去喜歡的物品（本文統稱為 item），為用戶推薦和他過去喜歡的物品相似的物品。而關鍵就在於這里的物品相似性的度量，這才是算法運用過程中的核心。 CB的過程一般包括以下三步： 物品表示（Item Representation）：為每個item抽取 ...
個性化召回算法實踐(一)——CF算法
協同過濾推薦（Collaborative Filtering Recommendation）主要包括基於用戶的協同過濾算法與基於物品的協同過濾算法。 下面，以movielens數據集為例，分別實踐這兩種算法。 movielens數據集包含四列，【用戶ID|電影ID|打分|時間戳】，根據用戶 ...
個性化排序算法實踐(五)——DCN算法
wide&deep在個性化排序算法中是影響力比較大的工作了。wide部分是手動特征交叉(負責memorization)，deep部分利用mlp來實現高階特征交叉(負責generalization)，wide部分和deep部分joint train。 Deep&Cross ...
個性化排序算法實踐(三)——deepFM算法
FM通過對於每一位特征的隱變量內積來提取特征組合，最后的結果也不錯，雖然理論上FM可以對高階特征組合進行建模，但實際上因為計算復雜度原因，一般都只用到了二階特征組合。對於高階特征組合來說，我們很自然想 ...
個性化排序算法實踐(一)——FM算法
因子分解機（Factorization Machine，簡稱FM）算法用於解決大規模稀疏數據下的特征組合問題。FM可以看做帶特征交叉的LR。 理論部分可參考FM系列，通過將FM的二次項化簡，其復雜度可優化到\(O(kn)\)。即： \[\hat y(x) = w_0+\sum_{i ...
個性化排序算法實踐(四)——GBDT+LR
本質上GBDT+LR是一種具有stacking思想的二分類器模型，所以可以用來解決二分類問題。這個方法出自於Facebook 2014年的論文 Practical Lessons from Predi ...