推薦系統中最重要的兩部分是特征和模型，早期模型上沒有很大突破的時候，人工特征工程是推薦系統發展的主要方向。在這里我總結一下做特征工程的思路和不同特征的處理方式。 1. 創造特征的思路 業務背景特征 在推薦系統中猜測用戶是否點擊內容，可以仔細分析用戶從打開手機到看到推薦內容的整個過程中 ...

最近一段時間，看完了項亮大佬的《推薦系統實踐》，然后開始看和實踐王喆老師的新書《深度學習推薦系統》，整篇博客對自己的代碼整理和知識點的回顧。在初次接觸后，我對推薦系統的初印象是並不僅僅是算法的學習，還有架構和其他數據處理的知識需要掌握。 推薦系統前沿　之　協同過濾 初次接觸推薦系統，看到 ...

邏輯回歸（LR） 在介紹FM系列之前，我想首先簡單介紹一下邏輯回歸。通常來說，邏輯回歸模型能夠綜合利用更多的信息，如用戶、物品、上下文等多種不同的特征，生成更為全面的結果。另外，邏輯回歸將推薦問題看成一個分類問題。通過預測正樣本的概率對物品進行排序，這里的正樣本可以是用戶觀看了某個視頻，也可以是 ...

1.處理數據集：將用戶行為數據集按照均勻分布隨機分成M份，挑選一份作為測試集，剩下的M-1份作為訓練集 2.評測指標 ①准確率和召回率 對用戶u推薦N個物品（記為R(u)）,令用戶u在測試集上喜歡的物品的集合為T(u)，召回率和准確率可以用來評測推薦算法的精度，計算公式 ...

什么是FM模型 FM英文全稱是“Factorization Machine”，簡稱FM模型，中文名“因子分解機”。 FM模型其實有些年頭了，是2010年由Rendle提出的，但是真正在各大廠大規模在CTR預估和推薦領域廣泛使用，其實也就是最近幾年的事。 FM模型 原理 ...

因子分解機系列--FM 1.FM背景 FM (Factorization Machine) 主要是為了解決數據稀疏的情況下，特征怎樣組合的問題。目前主要應用於CTR預估以及推薦系統中的概率計算。下圖是一個廣告分類的問題，根據用戶和廣告位相關的特征，預測用戶是否點擊了廣告。圖片來源，詳見參考 ...

FM：解決稀疏數據下的特征組合問題 Factorization Machine(因子分解機) 美團技術團隊的文章，覺得寫得很好啊：https://tech.meituan.com ...

一、用戶行為數據 一個用戶行為表示為6部分，即產生行為的用戶和行為的對象、行為的種類、產生行為的上下文、行為的內容和權重。用戶行為的統一表示如下： user id　　 　　　　產生行為的用戶的唯一 ...