原创 論文|被“玩爛”了的協同過濾加上神經網絡怎麼搞?

相信熟悉推薦系統的同學對於協同過濾(Collaborative Filtering)已經熟悉的不能再熟悉了,我也相信很多人心裏在想“這麼簡單的協同,都2020年了,誰還用呀”。 俗話說得好,人不可貌相,海水不可斗量!CF作爲最早的

原创 算法工程師的數學基礎|微積分之積分相關介紹

【算法工程師的數學基礎】系列將會從線性代數、微積分、數值優化、概率論、信息論五個方面進行介紹,感興趣的歡迎關注【搜索與推薦Wiki】公衆號,獲得最新文章。 《算法工程師的數學基礎》已更新: 1、算法工程師的數學基礎|線性代數中的

原创 算法工程師的數學基礎|線性代數中的矩陣

【算法工程師的數學基礎】系列將會從線性代數、微積分、數值優化、概率論、信息論五個方面進行介紹,感興趣的歡迎關注【搜索與推薦Wiki】公衆號,獲得最新文章。 《算法工程師的數學基礎》已更新: 1、算法工程師的數學基礎|線性代數中的

原创 用戶網絡行爲畫像知識點紀要

用戶畫像在推薦系統中扮演着重要的角色,這篇文章主要是閱讀《用戶網絡行爲畫像》一書的讀書摘要,該書較老,感覺更加適合產品經理或者不懂推薦的人看,如果讀者本身就是一個推薦從業者的話,只需要看書的前半部分,對用戶畫像有個本質的理解即可

原创 基於DNN的推薦算法

本文爲《推薦系統與深度學習》第六章的複習筆記,只記錄了一些要點,希望能夠快速的進行復習,如果發現哪一個點不明白的話,可以自行展開學習或者加小編微信進行溝通。 深度學習在推薦中發揮的作用: 能夠直接從內容中提取特徵,表徵能力強

原创 基於tensorflow實現稀疏自編碼和在推薦中的應用

稀疏自編碼 自編碼器(Auto-Encoder)顧名思義,即可以利用自身的高階特徵編碼自己。自編碼器也是一種神經網絡,他的輸入和輸出是一致的,他藉助稀疏編碼的思想,目標是使用稀疏的一些高階特徵重新組合來重構自己。 因此他的特徵十分

原创 曉得嘛?混合推薦系統速覽和技巧錦囊

本文爲《推薦系統與深度學習》第五章的複習筆記,只記錄了一些要點,希望能夠快速的進行復習,如果發現哪一個點不明白的話,可以自行展開學習或者加小編微信進行技術交流。 5.1 什麼是混合推薦系統 混合推薦系統的含義 海量數據推薦系統

原创 算法工程師的數學基礎|信息論

【算法工程師的數學基礎】系列將會從線性代數、微積分、數值優化、概率論、信息論五個方面進行介紹,感興趣的歡迎關注【搜索與推薦Wiki】公衆號,獲得最新文章。 《算法工程師的數學基礎》已更新: 1、算法工程師的數學基礎|線性代數中的

原创 雖然簡單但確不能不會的推薦算法重點回顧

本文爲《推薦系統與深度學習》第四章的複習筆記,只記錄了一些要點,希望能夠快速的進行復習,如果發現哪一個點不明白的話,可以自行展開學習。 4.1 基於內容的推薦算法 基於內容的推薦算法步驟: 特徵(內容)提取 用戶偏好計算 內

原创 論文|AGREE-基於注意力機制的羣組推薦,含代碼(Attentive Group Recommendation)

文章目錄1、聊一聊羣組推薦2、模型介紹2.1、符號表示含義和要解決的問題2.2、基於注意力的羣組表徵學習用戶向量聚合羣組偏好向量2.3、基於NCF的交互學習pooling layerhidden layer2.4、模型優化目標函數

原创 算法工程師的數學基礎|概率論

【算法工程師的數學基礎】系列將會從線性代數、微積分、數值優化、概率論、信息論五個方面進行介紹,感興趣的歡迎關注【搜索與推薦Wiki】公衆號,獲得最新文章。 《算法工程師的數學基礎》已更新: 1、算法工程師的數學基礎|線性代數中的

原创 論文|組推薦系統及其應用研究

這篇文章主要是普及一下羣組推薦系統,衆所周知,推薦系統已經應用十分廣泛,羣組推薦的應用不僅老用戶上發揮了極大的作用,在新用戶的冷啓動上也發揮了很大的作用。 由於後續會有一篇文章介紹結合深度學習的羣組推薦,所以這裏先借用該篇論文,借

原创 算法工程師的數學基礎|數學優化類型和優化算法

【算法工程師的數學基礎】系列將會從線性代數、微積分、數值優化、概率論、信息論五個方面進行介紹,感興趣的歡迎關注【搜索與推薦Wiki】公衆號,獲得最新文章。 《算法工程師的數學基礎》已更新: 1、算法工程師的數學基礎|線性代數中的

原创 【論文】被“玩爛”了的協同過濾加上神經網絡怎麼搞?

相信熟悉推薦系統的同學對於協同過濾(Collaborative Filtering)已經熟悉的不能再熟悉了,我也相信很多人心裏在想“這麼簡單的協同,都2020年了,誰還用呀”。 俗話說得好,人不可貌相,海水不可斗量!CF作爲最早的

原创 LTR|怎麼理解基於機器學習“四大支柱”劃分的學習排序方法

Learning to rank(LTR,L2R)也叫排序學習,泛指機器學習中任何用戶排序的技術,是指一類監督學習(Supervised Learning)排序算法。 LTR被應用在很多領域,比如信息檢索(Information