- 综合排序
- 最热优先
- 最新优先
- 来自专栏JadePeng的技术博客
推荐算法之： LFM 推荐算法
LFM介绍 LFM(Funk SVD) 是利用 矩阵分解的推荐算法： R = P * Q 其中： P矩阵是User-LF矩阵，即用户和隐含特征矩阵 Q矩阵是LF-Item矩阵，即隐含特征和物品的矩阵 head ml-100k/u.data 186 302 3 891717742 22 377 1 878887116 244 51 2 880606923 166 346 1 886397596 298 474 4 884182806 115 265 2 881171488 253 465 5 891628467 305 451 3 886324817 6 86 3 883603013 读取数据 import 0.8171 - val_loss: 0.0486 - val_auc: 0.0000e+00 - val_precision: 1.0000 - val_recall: 0.8655 Epoch 3/ 10 547/547 [==============================] - 2s 3ms/step - loss: 0.0393 - auc: 0.0000e+00 - precision
2.4K32发布于 2020-10-26 - 来自专栏null的专栏
推荐算法——基于图的推荐算法PersonalRank算法
推荐的算法有很多，包括协同过滤(基于用户的协同过滤和基于物品的协同过滤)以及其他的一些基于模型的推荐算法。 二、基于图的推荐算法PersonalRank算法 1、PersonalRank算法简介 在协同过滤中，主要是将上述的用户和商品之间的关系表示成一个二维的矩阵(用户商品矩阵)。 而在基于图的推荐算法中，将上述的关系表示成二部图的形式，为用户A推荐商品，实际上就是计算用户A对所有商品的感兴趣程度。 break rank = tmp for n in rank.keys(): print "%s:%.3f = lambda d: d[1], reverse=True) print "\nThe result:" for k in result: print "%s:%.3f
3.1K30发布于 2019-01-31 - 来自专栏null的专栏
推荐算法——基于图的推荐算法PersonalRank算法
推荐的算法有很多，包括协同过滤(基于用户的协同过滤和基于物品的协同过滤)以及其他的一些基于模型的推荐算法。 二、基于图的推荐算法PersonalRank算法 1、PersonalRank算法简介 在协同过滤中，主要是将上述的用户和商品之间的关系表示成一个二维的矩阵(用户商品矩阵)。 而在基于图的推荐算法中，将上述的关系表示成二部图的形式，为用户A推荐商品，实际上就是计算用户A对所有商品的感兴趣程度。 break rank = tmp for n in rank.keys(): print "%s:%.3f = lambda d: d[1], reverse=True) print "\nThe result:" for k in result: print "%s:%.3f
3.3K100发布于 2018-03-20 - 来自专栏摸鱼范式
SM3加密算法开源项目推荐
来自ljgibbslf的github项目，知乎同名，欢迎star https://github.com/ljgibbslf/SM3_core 下面是项目的README SM3_core 国密 SM3 杂凑算法的硬件 算法与标准 SM3 是中国的杂凑密码算法国家标准，SM3 算法与 SHA、MD5 等算法同属于杂凑算法，又称哈希算法，散列算法等。 SM3杂凑算法是我国自主开发的密码算法，并于2016年上升为国家标准。 SM3算法采用Merkle-Damgård结构，消息分组长度512比特，摘要结果长度256比特。 SM3 算法包括消息填充分组，消息扩展以及消息压缩三个步骤。 整体结构与 SHA-256 算法结构接近，但增加了多种新设计技术以提高安全性。 实现与测试 SM3_core 虽然最初为 FPGA 平台设计，但由于其本身不包括任何 FPGA IP 与原语，因此同样适用于 ASIC 平台。
1.7K20发布于 2020-08-02 - 来自专栏Duncan's Blog
推荐算法
算法分类 1.基于内容 / 用户的推荐 更多依赖相似性计算然后推荐 基于用户信息进行推荐 基于内容 、物品的信息进行推荐 2.协同过滤 需要通过用户行为来计算用户或物品见的相关性 基于用户的协同推荐: ——— | | 小明 | 产品经理、Google、比特币 | | 小吴 | 比特币、区块链、以太币 | 这是一个用户关注内容的列表，显然在这个列表中，小张和小明关注的内容更为相似，那么可以给小张推荐比特币 基于物品的系统推荐 以物为本建立各商品的相似度矩阵 | 产品经理 | 小张、小明 | | ———— | ————— | | Google | 小张、小明 | | 比特币 | 小明、小吴 | 小张和小明都不约而同地看了产品经理和Google，这可以说明产品经理和Google有相似，那么之后有看了Google相关内容的用户就可以给推荐产品经理的相关内容。 3.基于知识的推荐 某一领域的一整套规则和路线进行推荐。参照可汗学院知识树。 补充：（图片来源知乎shawn1943，感谢） ?
1.9K30发布于 2018-09-04 - 来自专栏Jayden的专栏
推荐算法
记录一下推荐算法。 CF、基于内容、热门推荐 用户模型 在实践中，大多数业内人士都是用一种被称为「随机梯度下降」（SGD - Stochastic Gradient Descent）的算法（梯度下降Grident Descent
1.4K00发布于 2018-12-18 - 来自专栏null的专栏
推荐算法——基于矩阵分解的推荐算法
一、推荐算法概述 对于推荐系统(Recommend System, RS)，从广义上的理解为：为用户(User)推荐相关的商品(Items)。 常用的推荐算法主要有： 基于内容的推荐(Content-Based Recommendation) 协同过滤的推荐(Collaborative Filtering Recommendation) 基于关联规则的推荐 Recommendation) 组合推荐(Hybrid Recommendation) 在推荐系统中，最重要的数据是用户对商品的打分数据，数据形式如下所示： ? image.png 二、基于矩阵分解的推荐算法 2.1、矩阵分解的一般形式 image.png 2.2、利用矩阵分解进行预测 image.png 2.2.1、损失函数 image.png 2.2.2、损失函数的求解 = line.strip() data.append(lines) n = len(data) x = range(n) plot(x, data, color='r',linewidth=3)
2.3K110发布于 2018-03-20 - 来自专栏null的专栏
推荐算法——基于矩阵分解的推荐算法
一、推荐算法概述 对于推荐系统(Recommend System, RS)，从广义上的理解为：为用户(User)推荐相关的商品(Items)。 常用的推荐算法主要有： 基于内容的推荐(Content-Based Recommendation) 协同过滤的推荐(Collaborative Filtering Recommendation) 基于关联规则的推荐 Recommendation) 组合推荐(Hybrid Recommendation) 在推荐系统中，最重要的数据是用户对商品的打分数据，数据形式如下所示： ? 在推荐系统中有一类问题是对未打分的商品进行评分的预测。 二、基于矩阵分解的推荐算法 2.1、矩阵分解的一般形式 矩阵分解是指将一个矩阵分解成两个或者多个矩阵的乘积。 = line.strip() data.append(lines) n = len(data) x = range(n) plot(x, data, color='r',linewidth=3)
2.2K30发布于 2019-02-13 - 来自专栏数据科学与人工智能
【算法】常用推荐算法
笔者邀请您，先思考： 1 推荐系统是什么？ 2 您应用那些推荐算法？ 转自公众号：阿里技术
1.3K20发布于 2018-07-30 - 来自专栏人工智能与演化计算成长与进阶
16推荐系统3-4协同过滤算法
参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 16.3 协同过滤 Collaborative filtering 推荐系统有一个很有意思的特性就是 特征学习 ，即 自行学习所要使用的特征 对于基于内容的推荐系统来说，需要有人事先对电影的 x1 爱情成分和 x2 动作片成分做出评价，来确定每部电影的特征成分，并使用电影的特征训练出了每一个用户的参数 。 Note 对于上述电影推荐系统的问题仅仅建立在每位用户都对数个电影进行了评价，并且每部电影都被数位用户评价过的情况下，这样才能重复这个迭代过程来估计出 和 协同过滤算法 指的是当你执行算法时，要观察大量的用户的实际行为来协同地得到更佳的每个人对电影的评分值 ，但是我们可以用这些数据作为给用户推荐电影的依据 例如，如果一位用户正在观看电影 ，我们可以寻找另一部电影 ，依据两部电影的特征向量之间的距离||x(i)-x(j)||的大小判断这两部电影的特征相似度 ，如果两者的特征相似度差距很小，则我们可以将其互作为推荐内容推荐给用户。
89811发布于 2020-08-14 - 来自专栏CSDN社区搬运
疯狂交互学习的BM3推荐算法
论文 BM3:Bootstrap Latent Representations for Multi-modal Recommendation 复现与解析 论文链接 此论文由WWW在2023年发表———BM3 传统的推荐系统通常只依赖于单一模态的数据，例如用户的评分或点击行为，而多模态推荐系统则结合了来自多个模态的信息，从而可以提供更准确和个性化的推荐。 # 许可证文件 ├── README.md # 项目说明文件 └── requirements.txt # 项目依赖文件 代码算法复现结果 许多交互并不能表明用户对于该物品存在兴趣，并且由时序问题，对于在不同的时间段，同一个用户的兴趣点可能发生变化，在前的大量的交互可能对改变后的兴趣产生影响，可以引入Tempary进行学习 总结 BM3模型是一种创新的多模态推荐系统 实验结果表明，BM3在多个数据集上都取得了优异的性能。 通过对现有数据集的统计分析，我们发现交互稀疏性和噪声是推荐系统领域的主要挑战。读者可以针对这部分问题进行相应的解决创新 希望对你有帮助！
55710编辑于 2024-12-01 - 来自专栏京东技术
常用推荐算法介绍——基于内容的推荐算法
基本概念 基于内容的过滤算法会推荐与用户最喜欢的物品类似的物品。但是，与协同过滤算法不同，这种算法是根据内容（比如标题、年份、描述），而不是人们使用物品的方式来总结其类似程度的。 现在知道了每本书彼此间的相似程度，可以为用户生成推荐结果。与基于物品的协同过滤方式类似，推荐系统会根据用户之前评价过的书籍，来推荐其他书籍中相似度最高的。 优缺点分析 1、优点 （1）不需要惯用数据 （2）可以为具有特殊兴趣爱好的用户推荐罕见特性的项目 （3）可以使用用户内容特征提供推荐解释，信服度较高 （4）不需要巨大的用户群体或者评分记录，只有一个用户也可以产生推荐列表 （5）没有流行度偏见，能推荐新的或者不是很流行的项目，没有新项目问题 2、缺点 （1）项目内容必须是机器可读和有意义的 （2）容易归档用户 （3）很难有意外，存在推荐结果新颖性问题，相似度太高，惊喜度不够 3、决策树算法（Decision Tree，简称DT） 当item的属性较少而且是结构化属性时，决策树会是个好的选择。这种情况下决策树可以产生简单直观、容易让人理解的结果。
3.2K52发布于 2019-03-06 - 来自专栏全栈程序员必看
推荐系统常用算法介绍_基于内容推荐算法
3）将偏好数据导入喜好类型计算算法中进行预算计算，的到预算结果。4）将推荐的结果导入数据库（redis、hbase）。5）发开一个推荐引擎，对外开放接口，输出推荐结果。 ；（3）给用户推荐他所属分类中用户喜欢的物品。 3）选择合适的物品启动用户的兴趣 用户在登录时对一些物品进行反馈，收集用户对这些物品的兴趣信息，然后给用户推荐那些和这些物品相似的物品。 常见的算法包括：分类及回归树（Classification And Regression Tree，CART），ID3 (Iterative Dichotomiser 3)，C4.5，Chi-squared Reduce函数的伪代码见算法3。
3K30编辑于 2022-09-20 - 来自专栏我的充电站
推荐算法：HNSW算法简介
推荐算法：HNSW算法简介 1. HNSW算法概述 2. HNSW算法原理 1. Delaunay图 2. NSW算法 3. HNSW算法 3. HNSW算法实现 1. hnswlib 2. nmslib 3. faiss 4. HNSW算法概述 HNSW（Hierarchical Navigable Small Word）算法算是目前推荐领域里面常用的ANN（Approximate Nearest Neighbor）算法了。 3. HNSW算法 HNSW算法是在NSW算法之上的更进一步的优化版本。 其核心思路就是在NSW算法的基础上引入跳表来实现分层的思路，从而进一步优化到目标向量的检索速度。 我们给出原文献中hnsw构造算法伪代码和检索算法伪代码如下： hnsw构造 检索算法 3.
14.1K34编辑于 2022-09-27 - 来自专栏数据挖掘
apriori推荐算法
大数据时代开始流行推荐算法，所以作者写了一篇教程来介绍apriori推荐算法。 推荐算法大致分为： 基于物品和用户本身 基于关联规则 基于模型的推荐 基于物品和用户本身 基于物品和用户本身的，这种推荐引擎将每个用户和每个物品都当作独立的实体，预测每个用户对于每个物品的喜好程度， 其实在现在的推荐系统中，很少有只使用了一个推荐策略的推荐引擎，一般都是在不同的场景下使用不同的推荐策略从而达到最好的推荐效果，例如 Amazon 的推荐，它将基于用户本身历史购买数据的推荐，和基于用户当前浏览的物品的推荐 探索推荐引擎内部的秘密，第 1 部分: 推荐引擎初探 Apriori算法 是一种最有影响力的 挖掘布尔关联规则 的频繁项集的算法，这个算法是属于上面第二条基于关联规则推荐的算法，本文着重讲解该算法的计算 , 'B+C->E': '2/2', 'E+C->B': '2/2', 'E->B+C': '2/3', 'C->B+E': '2/3', 'B+E->C': '2/3'} 结果解说 可以知道购买B和C
1.2K30发布于 2019-07-02 - 来自专栏智能算法
推荐算法概览
表格一：协同过滤推荐算法概览 ? 表格二：基于内容过滤的推荐算法概览 ? 表格三：混合方式的推荐算法概览 ? 表格四：流行度推荐算法概览 ? 表格五：高级或“非传统”推荐算法概览 ? 在本例中，我们假设n=2，也就是说取两名与第一位用户最相似的用户，以生成推荐结果，这两名用户分别是用户2及用户3（图四）。 由于第一名用户已经对书籍1和书籍5做出了评分，推荐结果生成书籍3（分数4.5）及书籍4（分数3）。 ? 图四：为一名用户生成推荐。 第三部分原文：Overview of Recommender Algorithms – Part 3（https://buildingrecommenders.wordpress.com/2015/11 /19/overview-of-recommender-algorithms-part-3/） 推荐算法概览（四） 本文是系列文中的第四篇。
1.6K80发布于 2018-04-03 - 来自专栏YoungGy
推荐算法简述
推荐算法分类 非个性化推荐 热门榜单 最多观看 热点检测：让全局优秀内容被大家看到 数据：一段时间内的浏览量、点赞量、评论数、转发数 时效：推荐需要考虑时间维度。 个性化推荐 基于内容的推荐算法 原理：根据电影的内容（类型、主演）去推荐。 优点： 避免Item的冷启动问题（较少关注的Item如果内容趋近就会推荐） 缺点： 推荐的Item可能重复 很难提取内容特征 协同过滤推荐算法 原理：用户喜欢相似用户喜欢的商品 基于用户 基于Item Model-based collaborative filtering，包括Aspect Model，pLSA，LDA，聚类，SVD，Matrix Factorization 基于知识的推荐算法 基于知识的推荐算法 ，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。
99570发布于 2018-01-02 - 来自专栏用户画像
Facebook 推荐算法
CF是一种推荐的系统技术，可帮助人们发现与其最相关的项目。在Facebook上，这可能包括页面，群组，活动，游戏等。 CF基于这样的想法，即最佳推荐来自具有相似品味的人。 在算法期间，对于一定百分比的用户，我们对所有未评级的项目（即，不在训练集中的项目）进行排名，并在排名的推荐列表中观察训练和测试项目的位置。 可以近似解决问题的另一种方法是通过基于项目特征向量聚类项目 - 这减少了查找顶级群集推荐的问题，然后基于这些顶级群集提取实际项目。这种方法加速了计算，同时基于实验结果略微降低了推荐的质量。 请注意，两者的结果质量相同，并且所有性能和可伸缩性增益都来自不同的数据布局和减少的网络流量.Facebook用例和隐式反馈 我们将此算法用于Facebook的多个应用程序，例如用于推荐您可能喜欢的页面或您应该加入的群组 推荐系统正在成为预测用户偏好的重要工具。我们的矩阵分解和计算顶级用户推荐框架能够有效处理Facebook拥有1000亿次评级的海量数据集。它易于使用，并可与其他方法一起使用。
1.6K30发布于 2018-08-24 - 来自专栏用户画像
推荐算法分类
本文链接：https://blog.csdn.net/jxq0816/article/details/103198596 推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法 1、基于内容的推荐算法，原理是用户喜欢和自己关注过的Item在内容上类似的Item，比如你看了哈利波特I，基于内容的推荐算法发现哈利波特II-VI，与你以前观看的在内容上面（共有很多关键词）有很大关联性 ，就把后者推荐给你，这种方法可以避免Item的冷启动问题（冷启动：如果一个Item从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析Item之间的关系，实现推荐），弊端在于推荐的 3、最后一种方法是基于知识的推荐算法，也有人将这种方法归为基于内容的推荐，这种方法比较典型的是构建领域本体，或者是建立一定的规则，进行推荐。 混合推荐算法，则会融合以上方法，以加权或者串联、并联等方式尽心融合。
2.6K22发布于 2019-11-26 - 来自专栏CSDN技术头条
推荐算法概览
表格一：协同过滤推荐算法概览 ? 表格二：基于内容过滤的推荐算法概览 ? 表格三：混合方式的推荐算法概览 ? 表格四：流行度推荐算法概览 ? 表格五：高级或“非传统”推荐算法概览 ? 在本例中，我们假设n=2，也就是说取两名与第一位用户最相似的用户，以生成推荐结果，这两名用户分别是用户2及用户3（图四）。 由于第一名用户已经对书籍1和书籍5做出了评分，推荐结果生成书籍3（分数4.5）及书籍4（分数3）。 ? 图四：为一名用户生成推荐。 第三部分原文：Overview of Recommender Algorithms – Part 3（https://buildingrecommenders.wordpress.com/2015/11 /19/overview-of-recommender-algorithms-part-3/） 推荐算法概览（四） 本文是系列文中的第四篇。
1.9K100发布于 2018-02-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号