原创 個性化推薦系統--邏輯迴歸模型的背景介紹（8-1）
一、LR（邏輯迴歸）背景知識介紹 將會介紹什麼是點擊率預估、什麼是分類模型以及LR模型的基本使用流程、LR模型的基本訓練流程，從這幾個方面介紹LR的背景知識。 1. 點擊率預估與分類模型 什麼是點擊率預估呢？ 相信點擊率的概念大家都知道，
2019-04-10 06:41:03
原创 個性化推薦系統--邏輯迴歸模型的數學原理（8-2）
一、單位階躍函數（sigmoid） 階躍函數及其導數： 函數表達式： 當 x = 1 時，f(x) = 0.5 ; 當 x = 10 時，f(x) 接近於1 ，這也就是之前說過的，當x > 0 的時候，會非常快速的接近於1 ；當x <
2019-04-10 06:41:03
原创 個性化推薦系統--樣本選擇與特徵選擇相關知識（8-3）
回憶一下，8-1中給出的實例，當時用了3個樣本，3個特徵來演示LR模型的工作原理。但是，可能會有疑問，爲什麼只有3個樣本？在實際的項目中，可能會有非常多的樣本，其中有些樣本是可以用的，有些樣本是不可以用的，到底哪些可以用，哪些不可以用。包
2019-04-10 06:41:03
原创 個性化推薦系統--個性化召回算法總結與評估方法的介紹（6-1）
一、個性化召回算法的總結 這裏會將之前介紹過的幾種算法進行歸類，並簡短介紹每一種個性化召回算法的核心原理；同時演示工業界中多種召回算法共存的架構。 下面看一下之前講過的個性化召回算法的分類： 1. 基於鄰域的：CF、LFM、基於圖的推薦p
2019-04-09 06:37:08
原创 個性化推薦系統--學習排序綜述（7-1）
一、什麼是學習排序？ 說起學習排序，首先介紹一下排序，排序是在搜索場景以及推薦場景中應用的最爲廣泛的。 傳統的排序方法是基於構造相關度函數，使相關度函數對於每一個文檔進行打分，得分較高的文檔，排的位置就靠前。但是，隨着相關度函數中特徵的增
2019-04-09 06:37:08
原创 個性化推薦系統 5-1 content-based算法知識介紹
一、個性化召回算法Content based背景介紹 1. 思路簡單，可解釋性強 任何一個推薦系統的初衷，都是推薦出用戶喜歡的item。 基於內容的推薦，恰恰是根據用戶的喜好之後，給予用戶喜歡的物品。 eg：某一個用戶經常點擊體育類的新聞
2019-04-05 08:26:40
1
原创 4-3 item2vec依賴模型word2vec之skip gram數學原理介紹
1. 問題抽象 skip gram是已知中間詞，最大化它相鄰詞的概率。 與CBOW的不同：CBOW的時候，是選取一次負採樣；而這裏對於中間詞的上下文的每一個詞，每一次都需要進行一個負採樣。 下面看一下條件概率： 與之前的CBOW大體形
2019-04-02 06:37:46
原创 4-1 item2vec算法的背景與物理意義
item2vec的原型：word2vec 一、背景 1. Item2item的推薦方式效果顯著： 很多場景下item2item的推薦方式要優於user2item； item2item的推薦方式：在獲取item相似度矩陣之後，根據用戶的最近
2019-04-01 06:20:42
1
原创 4-2 item2vec依賴模型word2vec之CBOW數學原理介紹
word2vec有兩種形式： CBOW skip gram 一、CBOW 網絡分爲三層：輸入層、投影層、輸出層。 輸入層：上下文； 投影層：將上下文向量加起來； 輸出層：當前詞； 投影層與輸出層之間是全連接，如果輸出的這個詞是這裏的W(
2019-04-01 06:20:42
14
原创 3-2 personal rank 算法的數學公式推導
personal rank是可以通過用戶行爲劃分二分圖爲固定user得到item重要程度排序的一種算法。 1.算法的文字闡述 對用戶A進行個性化推薦，從用戶A節點開始在用戶-物品二分圖random walk，以alpha的概率從A的出邊中
2019-02-19 06:49:24
12
原创 LFM 與 CF的比較
對於用戶比較多的系統，用item CF比user CF更加具有可行性。 1.理論基礎 LFM是比較傳統的監督學習的打法，根據訓練樣本的label設定損失函數，利用最優化的方法使損失函數最小化。只不過這裏的特徵是隱特徵，不像其他模型中的特徵
2019-02-19 06:38:18
原创 3-1 personal rank 算法的背景與物理意義
基於圖的推薦--personal rank 1.背景 首先介紹基於圖的個性化召回算法--personal rank的背景。 （1）用戶行爲很容易表示爲圖 圖這種數據結構有兩個基本的概念--頂點和邊。 在實際的個性化推薦系統中，無論是信息
2019-02-19 06:38:18
原创 2-2 LFM算法的理論基礎與公式推導
本小節主要從數學上重點介紹LFM，主要從建模方法、迭代、收斂等方面認識LFM算法。 1.LFM理論知識 （1）LFM建模公式： p(u,i)表示user-item對，如果user點擊了item，那麼p(u,i)=1，否則p(u,i)=0
2019-02-19 06:38:18
原创 LFM算法綜述 （2-1）
LFM--隱語義模型，屬於協同領域。 1. LFM算法的背景 提到協同領域，很多人首先想到的就是item CF與user CF，那麼這裏說到的LFM與這兩者又有什麼區別呢？ 首先簡單回憶一下item CF與user CF。 item CF
2019-02-14 17:21:53
原创 個性化推薦算法綜述
什麼是推薦算法？ 在介紹推薦算法之前需要先介紹一下什麼是信息過載。 信息過載就是信息的數量遠超於人手工可以遍歷的數量。比如，當你沒有目的性的去逛超市，你不可能把所有的商品都看一遍都有什麼。同樣，無論是去書店看書，還是在電影網站上搜索電影，
2019-02-11 17:26:41