- 综合排序
- 最热优先
- 最新优先
- 来自专栏Soul Joy Hub
深度推荐模型——PNN
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#aalY8
54820发布于 2021-03-20 - 来自专栏Soul Joy Hub
深度推荐模型——FNN
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#aalY8
50820发布于 2021-03-20 - 来自专栏Soul Joy Hub
深度推荐模型——NFM
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#aalY8
43320发布于 2021-03-20 - 来自专栏Soul Joy Hub
深度推荐模型——FFM
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#aalY8
40510发布于 2021-03-20 - 来自专栏Soul Joy Hub
深度推荐模型——FiBiNet
作者认为模型需要学习不同特征的一个重要程度，对重要特征加权，对蕴含信息量不多的特征进行削弱 先对e（Embedding） 做 mean pooling，再做Excitation（类似计算出Attention
1.1K21发布于 2021-03-20 - 来自专栏Soul Joy Hub
深度推荐模型——DIEN
import tensorflow as tf from tensorflow import keras from utils import * import numpy as np EPOCH = 10 BATCH_SIZE = 32 VEC_DIM = 10 DROPOUT_RATE = 0.5 HEAD_NUM = 4 HIDE_SIZE = 128 LAYER_NUM = 3 DNN_LAYERS = [200, 80] data, max_user_id, max_item_id = load_
63620发布于 2021-03-22 - 来自专栏Soul Joy Hub
深度推荐模型——AFM
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#2XiWP
69310发布于 2021-03-20 - 来自专栏Soul Joy Hub
深度推荐模型——BST
受Transformer在自然语言处理中取得巨大的效果启发，BST将应用Transformer 用于提取用户行为序列背后的隐藏信息，同时考虑序列的前后顺序，能够更好的表达用户兴趣。
84120发布于 2021-03-22 - 来自专栏Soul Joy Hub
深度推荐模型——FM
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#aalY8
69920发布于 2021-03-20 - 来自专栏Soul Joy Hub
深度推荐模型——DCN
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#aalY8
53830发布于 2021-03-22 - 来自专栏Soul Joy Hub
深度推荐模型——xDeepFM
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#aalY8
72320发布于 2021-03-20 - 来自专栏Soul Joy Hub
深度推荐模型——DIN
import tensorflow as tf from tensorflow import keras from utils import * EPOCH = 10 BATCH_SIZE = 32 VEC_DIM = 10 DROPOUT_RATE = 0.5 HEAD_NUM = 4 HIDE_SIZE = 128 LAYER_NUM = 3 DNN_LAYERS = [200, 80] data, max_user_id, max_item_id = load_data() # 行为特征个数 BEH
46520发布于 2021-03-22 - 来自专栏Soul Joy Hub
深度推荐模型——AutoInt
视频讲解：https://www.yuque.com/chudi/tzqav9/ny150b#aalY8
69030发布于 2021-03-20 - 来自专栏进击的程序猿
基于隐变量的推荐模型基于隐变量的推荐模型
基于隐变量的推荐模型 ? 矩阵分解 上一篇介绍了协同过滤，其重点就是在人-物品矩阵上，其中心思想是去对人或者物品进行聚类，从而找到相似人或者相似物品，用群体的智慧为个人进行推荐，但是，这种近邻模型也存在好多问题： 随着人和物品的增加 这个损失函数由两部分构成，加号前一部分控制着模型的偏差，加号后一部分控制着模型的方差。 现在假设我们已经计算出用户和物品的隐向量了，接下去我们就要去计算用户对所有物品的评分了，从中选择topk的做推荐，这在工程上就会面临一个计算量问题，在上一篇文章深入浅出推荐系统之简单推荐模型中，讨论协同过滤的时候就有讲过如何进行计算的问题 所以我们可以看到分解机FM真的是非常强大，能够通过一个模型融合协同过滤、矩阵分解和线性模型。
2.1K40发布于 2018-09-07 - 来自专栏数据派THU
独家 | 推荐系统不单单指推荐模型
标签：推荐系统 新手在构建推荐系统时面临的最大挑战是缺乏对推荐系统的切实理解，将大多数推荐系统的在线内容集中在模型上，并且通常仅限于一个简单的协同过滤例子。 遥望推荐模型 推荐模型所起的作用，无论是一个简单的协作过滤示例，还是像DLRM这样的深度学习模型，其实质都是排序，或者更准确地说，是一个评分系统，用户对一组感兴趣的数据项打分。 虽然两阶段大规模推荐模型能解决大部分问题，但推荐系统还需要支持其他的约束条件。 依赖评分或检索模型来推断业务逻辑，适当地推荐数据项，除此之外，还需要向推荐系统中添加一个过滤阶段。 这个系统比单一模型要复杂得多，那些通过线上搜索推荐系统信息，并只找到协作过滤模型的人，在真正尝试构建复杂推荐系统时，会显得不知所措。
52220编辑于 2022-08-29 - 来自专栏LhWorld哥陪你聊算法
【推荐系统篇】--推荐系统之训练模型
一、前述 经过之前的训练数据的构建可以得到所有特征值为1的模型文件，本文将继续构建训练数据特征并构建模型。 二、详细流程 ? fields terminated by '\t' select * from dw_rcm_hitop_prepare2train_dm; 注：这里是将数据导出到本地，方便后面再本地模式跑数据，导出模型数据 这里是方便演示真正的生产环境是直接用脚本提交spark任务，从hdfs取数据结果仍然在hdfs，再用ETL工具将训练的模型结果文件输出到web项目的文件目录下，用来做新的模型，web项目设置了定时更新模型文件 ，每天按时读取新模型文件 三、代码详解 package com.bjsxt.data import java.io.PrintWriter import org.apache.log4j.{ Level 将模型文件和用户历史数据，和商品表数据加载到redis中去。
1.6K10发布于 2018-09-13 - 来自专栏小小挖掘机
用户行为序列推荐模型
导读：今天我们谈谈用户行为序列上的推荐模型。首先我们对序列推荐问题做一个定义和描述，然后主要讲述可以用在序列推荐任务中的 NN 模型，最后给出一点个人看法以及文中相关的参考文献供参阅。 相对基于序列的推荐模型则是非序列化的推荐模型，如经典的矩阵分解模型和图模型，如图1。这两种模型主要考虑通过节点之间的邻接关系进行建模，时序通常是作为其中一个的隐式特征或者约束加入模型中来进行学习的。 图1 序列推荐模型与非序列推荐模型 序列模型在我们的日常生活当中也存在着不少应用场景。比如金融交易中的股票涨跌预测以及自然语言处理中的语言模型。 将 S 中的元素根据 timestamp 从前到后排序后得到用户的有序行为序列S'= 接下来我们主要讨论的序列推荐则可以看做是在序列 S' 上学习的一个预测模型 P： 相对于矩阵分解和图推荐，在序列上学习推荐模型最重要的一点是用户某个时刻的行为只受该时刻之前的行为影响 Youtube 也上线了 RNN 模型[18]并且在模型中融合了推荐的上下文信息来完成视频推荐。
5.5K41发布于 2019-12-20 - 1K10发布于 2021-11-10
- 来自专栏深度学习自然语言处理
【推荐系统】推荐系统中的图网络模型
整理：极验 作者：Roxana Pamfil 在互联网时代，推荐系统无处不在。不仅可以向用户推荐实体商品，还可以推荐电影、歌曲、新闻报道、酒店旅行等，为用户提供量身定制的选择。 这些系统中有许多都涉及了协同过滤——根据其他相似用户的偏好向用户推荐 item。推荐系统的背后还用到了包括矩阵分解、邻域方法以及各种混合方法。 三个社区的参数 购买概率 现在，我们有了数据的统计网络模型，该模型可以计算任何用户和产品之间存在边的概率。对于社区 r 中的用户 c 和社区 s 中的产品 p，此概率为： ? 因此，该模型将更大的概率分配给购买更多独特产品的用户。 3、商品节点 p 的度。该模型将更大的概率分配给受欢迎的商品。 比例因子是一个常数，可确保最终结果具有明确的概率。 ? 我们使用上述的网络模型，根据 100,000 名用户对促销酸奶的意向进行排名。
2.2K10发布于 2019-12-11 - 来自专栏程序人生小记
推荐广告算法模型之多目标模型
1 多目标学习背景 在推荐广告场景中，用户的不同行为代表用户对内容的不同需求和兴趣。 因此在对用户进行推荐的时候，我们要综合考虑用户的各种行为，我们需要对用户的各种行为都进行预测，如果单独的对各种行为进行预测，然后再去融合的话，容易过拟合和样本选择偏差，因此将多个任务放在一个模型中，就成为了对用户各种行为去建模的主流做法 ，好处就是：一定程度上会缓解模型的过拟合，提高了模型的泛化能力；充分利用数据。 参考文献 绝密伏击：多目标学习在推荐系统的应用(MMOE/ESMM/PLE) 多目标学习在推荐系统中的应用 2021年浅谈多任务学习 推荐算法中的“多目标学习” Recommender：推荐系统中的多任务学习与多目标排序工程实践 （上） 多目标模型工程实践优化细节有哪些 多目标排序在腾讯QQ看点推荐的应用实践 推荐系统中的多任务学习 推荐系统之多目标优化小结 CTR/推荐系统中多任务/多目标学习应用概述文章汇总
2.1K42编辑于 2024-11-06
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