- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习初学者精选文章
【推荐系统】推荐系统概述
— 哈珀·李 许多人把推荐系统视为一种神秘的存在，他们觉得推荐系统似乎知道我们的想法是什么。Netflix 向我们推荐电影，还有亚马逊向我们推荐该买什么样的商品。 推荐系统从早期发展到现在，已经得到了很大的改进和完善，以不断地提高用户体验。尽管推荐系统中许多都是非常复杂的系统，但其背后的基本思想依然十分简单。 推荐系统是什么？ 如何构建一个推荐系统？ 现在已经有很多种技术来建立一个推荐系统了，我选择向你们介绍其中最简单，也是最常用的三种。他们是：一，协同过滤；二，基于内容的推荐系统；三，基于知识的推荐系统。 混合推荐系统 文章到目前为止所介绍的不同类型的推荐系统都各有优劣，他们根据不同的数据给出推荐。一些推荐系统，如基于知识的推荐系统，在数据量有限的冷启动环境下最为有效。 推荐系统与AI？ 推荐系统常用于人工智能领域。推荐系统的能力 – 洞察力，预测事件的能力和突出关联的能力常被用于人工智能中。另一方面，机器学习技术常被用于实现推荐系统。
2.5K33发布于 2021-07-07 - 来自专栏杨熹的专栏
推荐系统
本文结构： 推荐系统 常用方法 简介 模型 cost, gradient 表达式 代码实现 应用实例 参考： Coursera－Andrew Ng 的 Machine Learning Sirajology 推荐系统 根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。 为用户节省时间，还能挖掘可能用户自己都不知道的潜在兴趣点。 生活中的例子：喜马拉雅上根据我听过的书推荐相关的内容，效果不错，推荐的很多我都会订阅。Youtube上根据我看过的视频推荐内容，如果我在追剧，它会把最新的剧集放在我首页，还有我可能感兴趣的电影。 还有很多例子和方法，以及冷启动等关键问题，推荐大家看《推荐系统实战》这本书，之前去听新浪微博的分享，这本书是他们推荐系统部门的必备材料。 ---- 2. 基于内容，物品，用户的推荐就是把相关的特征表达为向量形式后，计算它们之间的距离，根据相似度高的来为你推荐。 ?
1.6K102发布于 2018-04-02 - 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
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。
1.6K10发布于 2018-09-13 - 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。 通过在这样的网络中进行边预测，可以解决两个重要的业务问题： 1、Recommendations ——我们应该给用户推荐哪些新商品？ 网络和社区结构 网络是系统的抽象表示，其中称为节点的对象通常以成对的方式通过边相互交互。 一项重要任务是预测新的边，可以将其引入推荐系统和针对性的促销活动。在计算性能方面，社区检测是我们描述的过程中最耗时的部分。 该 network 方法的主要优势在于它不受监督。
2.2K10发布于 2019-12-11 - 来自专栏LhWorld哥陪你聊算法
【推荐系统篇】--推荐系统之测试数据
一、前述 线上模型部分根据用户的行为数据进行推荐，相当于测试数据 二、具体代码 package com.alibaba.dubbo.demo.impl; import com.alibaba.dubbo.demo.RcmdService
98030发布于 2018-09-13 - 来自专栏小小挖掘机
推荐系统评价：什么是好的推荐系统
但一个系统的好坏往往需要全链路的评定，贯穿于用户的整个交互过程。之所以说好的推荐系统更难定义，是因为虽然算法是核心，但是个性化推荐往往不止由算法构成，这背后需要各种技术支撑。 宗旨：服务提供方与消费方的双赢 推荐系统是一个多方交互的复杂系统，有很多因素能够对推荐系统的效果产生影响，本文试对这些因素中的一些代表性因素进行简单的阐述分析。 ▌宏观 从宏观上来看，好的推荐系统就是满足用户的需求，帮助其进行路径优化与兴趣发现。微观上来讲，好的推荐系统一定是再为产品服务，不同的产品阶段，我们需要确立不同的推荐系统目标及评价体系。 推荐系统角度 1) 长尾挖掘 挖掘必然是推荐需要去完成的一件事，长尾作为大头的存在，分发过程中需要将把握，或者说长尾挖掘是好的推荐系统需要去完成的任务。 所以在推荐的过程中我们会根据推荐的主体不同做更多的推荐策略算法和系统的适配，最终去推动。
3.1K51发布于 2019-06-24 - 来自专栏机器学习与推荐算法
推荐系统实践系列 | 一、推荐系统流程设计
推荐系统主要解决的是信息过载问题，目标是从海量物品筛选出不同用户各自喜欢的物品，从而为每个用户提供个性化的推荐。 推荐系统往往架设在大规模的业务系统之上，不仅面临着用户的不断增长，物品的不断变化，而且有着全面的推荐评价指标和严格的性能要求（Netflix 的请求时间在 250 ms 以内，今日头条的请求时间在 200ms 为了解决如上这些问题，推荐系统通常被设计为三个阶段：召回、排序和调整，如下图所示： ? 这里以文章推荐系统为例，讲述一下推荐系统的完整流程，如下图所示： ? 同步业务数据 为了避免推荐系统的数据读写、计算等对应用产生影响，我们首先要将业务数据从应用数据库 MySQL 同步到推荐系统数据库 Hive 中，这里利用 Sqoop 先将 MySQL 中的业务数据同步到推荐系统的
2.6K33发布于 2020-04-20 - 来自专栏后端技术
推荐系统 入门
推荐系统一般分为三种： Content-based System 首先根据物品的元数据，发现物品的相关性，然后基于用户以前的喜好记录推荐给用户相似的物品[2] 详情可看基于内容推荐算法详解(比较全面的文章 ，为用户推荐别的商品。 对于用户U，根据其购买记录，可用找到相似的物品作为推荐 ? 被用于推荐用户偏好。 本文主要阐述memory-based method的推荐系统 相似度的计算方法 推荐物品预测能力的性能，取决于用于计算用户间相似度的方法。人们发明出各种计算相似度的方法。
98730发布于 2019-05-25 - 来自专栏JavaEdge
窥探推荐系统
本文将深入介绍推荐系统的工作原理，和其中涉及的各种推荐机制，以及它们各自的优缺点和适用场景，帮助用户清楚的了解和快速构建适合自己的推荐系统。 又或者他们需要更加符合他们个人口味和喜好的结果，因此出现了推荐系统，与搜索系统对应，大家也习惯称它为推荐系统。 2 推荐系统 推荐系统利用特殊的信息过滤技术，将不同的物品或内容推荐给可能对它们感兴趣的用户。 这是一个最基本的推荐系统分类，其实大部分人们讨论的推荐系统都是关于个性化的推荐系统，因为从根本上说，只有个性化的推荐系统才是更加智能的信息发现过程。 推荐系统的魔力在于你不清楚在这个推荐背后，系统到底记录和推理了些什么。
65930发布于 2018-12-26 - 来自专栏星回的实验室
推荐系统初探
在深坑外围徘徊了一周后，我整理了一些推荐系统的基本概念以及一些有代表性的简单的算法，作为初探总结，也希望能抛砖引玉，给同样想入坑的伙伴们提供一些思路。 1. 什么是推荐系统？ 推荐系统是啥？ 没错，猜你喜欢、个性歌单、热点微博，这些都是推荐系统的输出内容。从这些我们就可以总结出，推荐系统到底是做什么的。 * 目的1. 因此我们需要推荐系统来帮助用户过滤掉低价值的信息。 * 目的3. 提高站点的点击率/转化率 * 好的推荐系统能让用户更频繁地访问一个站点，并且总是能为用户找到他想要购买的商品或者阅读的内容。 当有一名新用户或者新物品进入系统时，推荐将无从依据； 在一些item生存周期短（如新闻、广告）的系统中，由于更新速度快，大量item不会有用户评分，造成评分矩阵稀疏，不利于这些内容的推荐。 比如当推荐的内容里包含敏感词汇、涉及用户隐私的内容等等，就需要系统将其筛除；若数次推荐后用户依然对某个item毫无兴趣，我们就需要将这个item降低权重，调整排序；另外，有时系统还要考虑话题多样性的问题
1.3K40发布于 2018-08-02 - 来自专栏JavaEdge
窥探推荐系统
本文将深入介绍推荐系统的工作原理，和其中涉及的各种推荐机制，以及它们各自的优缺点和适用场景，帮助用户清楚的了解和快速构建适合自己的推荐系统。 又或者他们需要更加符合他们个人口味和喜好的结果，因此出现了推荐系统，与搜索系统对应，大家也习惯称它为推荐系统。 2 推荐系统 推荐系统利用特殊的信息过滤技术，将不同的物品或内容推荐给可能对它们感兴趣的用户。 这是一个最基本的推荐系统分类，其实大部分人们讨论的推荐系统都是关于个性化的推荐系统，因为从根本上说，只有个性化的推荐系统才是更加智能的信息发现过程。 推荐系统的魔力在于你不清楚在这个推荐背后，系统到底记录和推理了些什么。
44551编辑于 2022-11-30 推荐系统介绍
虽然其中很多是非常复杂的系统，但其背后的基本思想仍然非常简单。 什么是推荐系统？ 推荐系统是信息过滤系统的一个子类，基于偏好和行为向用户呈现他或她可能感兴趣的项目。 如何创建推荐系统 尽管建立推荐系统的技术有很多，但我选择了三种最简单，最常用的方法：第一种是协同过滤，第二种是基于内容的系统，第后一种是基于知识的系统。 基于内容的推荐系统 在基于内容的推荐系统中，元素的描述性属性被用来提出建议。术语“内容”是指这些描述。例如，看着Sophie的听歌历史，系统注意到她似乎喜欢这种乡村风格。 这个项目就是潘多拉音乐的强力推荐。 基于知识的推荐系统 基于知识的推荐系统在罕有地购买的项目环境中特别有用。例子包括房屋，汽车，金融服务，甚至昂贵的奢侈品。 例如，当用户明确指定他在一个价格范围内寻找住宅时，系统必须考虑到这个规格。 推荐系统中的冷启动问题 推荐系统的主要问题之一是最初可用的评级数量相对较小。
1.5K70发布于 2018-02-02- 来自专栏推荐系统
推荐系统综述
1.推荐系统的意义随着移动互联网的飞速发展，人们已经处于一个信息过载的时代。 推荐系统就是解决这一矛盾的重要工具。推荐系统的任务就是联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。 与搜索系统不同的是，推荐系统主要利用用户的行为数据，分析用户的行为日志，从而提供不同的推荐页面，提高用户的满意度以及网站的点击率和转化率。 常见的推荐系统的推荐形式主要有三种：个性化推荐、相关推荐、热门推荐。高用户的满意度以及网站的点击率和转化率。常见的推荐系统的推荐形式主要有三种：个性化推荐、相关推荐、热门推荐。 推荐系统的常见应用场景包括：电子商务、个性化广告、音乐和电影、求职等。2.推荐系统的结构图片2.1召回召回层的主要目标时从推荐池中选取几千上万的item，送给后续的排序模块。
96630编辑于 2022-07-06 - 来自专栏容器计算
推荐系统浅谈
1 推荐系统基础知识 从常用概念展开, 简要介绍基本原理和流程, 以便业务方了解如何构建和使用推荐系统 2 基本概念 2.1 推荐系统 通过将内容 (生产方) 与用户 (消费方) 进行匹配, 提供符合不同消费方各自偏好的内容 通过人工或机器的方法, 对内容和用户添加特征, 用来标识其特有属性, 可从内容本身中发现, 也可从用户行为中体现, 也可由用户自行填写, 如用户性别, 内容长度, 内容分类等 2.6 适用场景 什么时候引入推荐系统 当内容和用户积累达到一定量级 (内容至少千级), 且内容分布达到一定宽度, 可分离出不同维度, 进而产生了用户对内容的偏好性, 需要对内容进行合理高效的分发以充分利用流量, 并开始要求高并发高实时的性能时, 可以开始考虑使用推荐系统 3 实现依赖 仅简要阐述实现推荐系统所需的功能组件, 是基本概念的具象化 3.1 内容画像 可包含: 标签, 类别等结构化特征 原始文本, 图片等非结构化特征 动态属性, 如用户行为的聚合 3.2 用户画像 A/B 测试 设计对照组和测试组, 切一部分真实流量, 运行一段时间后, 观察核心指标的差异, 如有提升可认为达到预期效果, 最终逐步替换现有方案 6 业务形态 涉及将内容分发给用户的场景均可使用, 推荐系统在广义上就是对用户画像和内容画像的有效使用
76721发布于 2020-08-06 - 来自专栏大数据技术栈
推荐系统 —— 概述
推荐系统是什么 我想大家应该都对推荐系统不会陌生，不管你是逛淘宝还是刷抖音，你都能看到推荐的存在，也是因为推荐的存在，才能让你才海量的信息中看到自己感兴趣的东西。 其实我相信大家都知道什么是推荐系统，这里我仅以我个人的观点阐述一下。我们从以下两点来说： 推荐 我们可以将推荐理解为推荐算法，也是推荐系统的核心驱动。 推荐系统如何评测 推荐系统的评测在实际工作工程中可能比 推荐系统的实现更加重要 和 复杂，这一块我们有机会后面来聊一聊，这里仅以 推荐系统实战 这本书列举一下评测方法，大概了解一下就好，这块不是一下就能说明白的 用户满意度 用户作为推荐系统的重要参与者，其满意度是评测推荐系统的最重要指标。 预测准确度 预测准确度度量一个推荐系统或者推荐算法预测用户行为的能力。这个指标是最重要的推荐系统离线评测指标，从推荐系统诞生的那一天起，几乎99%与推荐相关的论文都在讨论这个指标。
76231发布于 2019-10-30 - 来自专栏用户画像
浅谈推荐系统
，主要从下面几个维度介绍推荐系统的相关知识： 什么是推荐系统 推荐系统在商业中的地位 推荐系统、搜索引擎及广告的关系 推荐系统的关键元素 推荐系统相关的算法 篇幅较长，可能大部分道友比较关心算法部分 推荐系统不同于搜索引擎，用户使用搜索时目标明确，而使用推荐系统往往总会漫无目的。搜索和推荐都是为人找信息，而广告是为信息找人。 推荐系统的关键元素 大多数人在日常生活中，遇到推荐系统的高质量服务时，或者说被推荐的比较准确时，第一反应就是这个背后使用的什么样的算法，认为算法是推荐系统最核心的东西，只有最牛的算法才知道我现在在想什么我需要什么 只有用户留下来了，才有推荐系统的用武之地。 数据和UI、UE同等重要，是推荐系统的基石。强大的推荐系统如果给用户的第一感觉不是使用了什么样的算法，那么就要是我在什么时候暴露了什么数据。 总的来说常见的推荐系统算法体系可以分为这几类：内容推荐、协同过滤推荐、矩阵分解、模型融合。 1. 内容推荐 内容推荐是推荐系统的孩童时代，但是在今天它依然适用于各个领域。
1.1K20发布于 2019-11-20 - 来自专栏null的专栏
推荐系统——（论文阅读笔记）YouTube的视频推荐系统
《The YouTube video recommendation system》是一篇详细介绍YouTube视频推荐的论文，在整个系统中没有复杂的算法，使用了一些简单有效的策略，这也符合工业界的应用， 以下是论文的核心内容： 目标 帮助用户找到高质量且符合用户兴趣的视频，最终实现的是Top-N推荐。 总的思想 利用用户的互动行为数据，推荐与互动过视频相似的视频。 由 可以表示成一个有向图，其中，权重为 ，如下所示： 生成推荐的候选 1、一级 假设种子集合为 ，由上述的相似性的方法挖掘出一些候选： 这样的方法容易产生narrow recommendations ，即推荐的视频与种子视频相似度极高，这对推荐来说不能满足多样性的要求。 right )=\bigcup_{v_i\in C_{n-1}}R_i C2(S)=vi∈Cn−1⋃Ri 3、多级 上述的结论推广至多级，形成最终的推荐结果为
2.1K31编辑于 2022-03-04 - 来自专栏机器学习AI算法工程
音乐推荐系统:推荐歌单以及推荐相似歌曲
语言：python3.5 库：Surprise 平台：jupyter notebook 描述：此推荐系统类似网易云音乐推荐歌单以及推荐相似歌曲。 2.2 歌单数据=>推荐系统格式数据 主流的python推荐系统框架，支持的最基本数据格式为movielens dataset，其评分数据格式为 user item rating timestamp，把数据处理成这个格式 2.3 保存歌单和歌曲信息备用 保存 歌单id=>歌单名 和 歌曲id=>歌曲名 的信息 3.使用python推荐系统库Surprise完成项目 3.1用协同过滤构建模型并进行预测 3.1.1 推荐歌单 3.1.2 推荐歌曲 ? 当然也可以使用其他的算法来实现，如： ? 4. 不同的推荐系统算法评估 可以使用不同的评估准则，如： ? ----
3.3K10发布于 2019-10-28 - 来自专栏最新最全的大数据技术体系
【推荐系统】推荐业务架构介绍(一)
11.1 黑马头条推荐业务架构介绍 1.1.1业务 在头条APP海量用户与海量文章之上，使用lambda大数据实时和离线计算整体架构，利用黑马头条用户在APP上的点击行为、浏览行为、收藏行为等建立用户与文章之间的画像关系 ，通过机器学习推荐算法进行智能推荐 1.1.2 架构与业务流 1、用户的行为收集，业务数据收集 2、批量计算(离线计算)：用户文章画像 3、用户的召回结果、排序精选过程 4、grpc的实时推荐业务流的搭建 分布式环境：Hbase会遇到三台时间同步的问题 python环境：三台也都必须安装 2.2 数据库迁移 2.2.1 数据库迁移需求 业务数据：133，134，135， 136 web 推荐系统 2、后端、客户端 APP集成 3、推荐人员基于文档埋点测试与梳理 2.3.2.2 黑马头条文章推荐埋点需求整理 埋点事件号: 停留时间 read 点击事件 click 曝光事件(相当于刷新一次请求推荐新文章 ) exposure 收藏事件 collect 分享事件 share 埋点参数文件结构 曝光的参数：下拉刷新，推荐新的若干篇文章 我们将埋点参数设计成一个固定格式的json字符串 2.3.3
1.5K20编辑于 2021-12-07 - 来自专栏秋枫学习笔记
推荐系统（八）——推荐系统离散特征表征无embedding table
本文是针对推荐系统中离散特征的embedding方法提出了新的改进方案。这里主要会涉及到one-hot编码和hash，不明白的小伙伴可以先学习一下。 Embedding Tables for Recommendation https://dl.acm.org/doi/pdf/10.1145/3447548.3467304 背景 embedding在推荐系统中也是属于重要的一步 ，好的embedding可以节省空间，时间，并且达到好的推荐效果。 当词汇很多的时候，会导致table很大，会有很多参数在table上，并且one-hot这种只适用于已知离散特征类别数的情况，例如“我们假设在一个系统里面，车的类型我们观察到只有火车和轿车，因此one-hot
75330编辑于 2022-09-19
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