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 ...
原文：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，我們很自然想到多層神經網絡DNN。 DeepFM目的是同時學習低階和高階的特征交叉，主要由FM和DNN兩部分組成，底部共享同樣的輸入。模型可以表示為： hat y sigmoid y FM y DNN 這里主要參 ...
2019-11-03 12:56 0 602 推薦指數：
相關推薦
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(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 ...
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_ ...
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 ...
貝葉斯個性化排序(BPR)算法小結
在矩陣分解在協同過濾推薦算法中的應用中，我們討論過像funkSVD之類的矩陣分解方法如何用於推薦。今天我們講另一種在實際產品中用的比較多的推薦算法:貝葉斯個性化排序(Bayesian Personalized Ranking, 以下簡稱BPR)，它也用到了矩陣分解，但是和funkSVD家族 ...