- 综合排序
- 最热优先
- 最新优先
- 来自专栏活动
推荐系统中的隐因子模型详解
隐因子模型通过将用户和物品映射到一个潜在的特征空间（也称为隐因子空间），在这个空间中，用户和物品的交互关系可以通过内积运算得到。 隐因子模型的基本原理 隐因子模型的核心思想是将用户和物品映射到一个低维隐因子空间中，通过计算用户和物品在该空间中的内积来预测用户对物品的评分。 隐因子空间 隐因子空间是隐因子模型的重要概念。在这个空间中，每个用户和物品都由一个隐因子向量表示。这些隐因子向量通常是在模型训练过程中通过优化算法学习得到的。 常见的隐因子模型算法 隐因子模型的实现通常依赖于矩阵分解技术。以下是几种常见的隐因子模型算法： A. 奇异值分解（SVD） 奇异值分解是最经典的矩阵分解算法之一。 隐因子模型的实际应用与优化 隐因子模型在实际应用中表现出色，但仍然面临一些挑战，如数据稀疏性和冷启动问题。
56900编辑于 2024-08-09 - 来自专栏钱塘小甲子的博客
多因子模型之因子（信号）测试平台----计算因子值
近一个半月疯狂的接触多因子模型，其中对于单个因子的回测，是最熟的。而对于单个因子，或者叫做signal（这一系列文章后续都这么叫），是多因子模型的基础。 1.我们开始的数据 这一系列的教程，我们将从一个因子开始，最简单的因子，revs10，也就是，十天收益率。 这个教程，注重的是整个signal测试的框架，包含两个方面，测试的思路和软件的平台建设，而我们的因子是否好，其实不是我们关注的点。 2.计算因子值 我们的因子叫做revs10，说白了就是十天的收益率的值。 res10(t) = close(t) / close(t - 10) - 100% 公式大概就是上面这样。 其实，多因子模型的第一步就是这么简单。当然，这个因子是最简单的一个因子了，别的因子会用到别的数据，无论如何，核心的一步就是，千方百计计算好你的因子值，然后存下来。
1.3K40发布于 2019-01-28 - 来自专栏钱塘小甲子的博客
多因子模型之因子（信号）测试平台----因子值的处理（二）
我们知道，一个因子值的处理大致分为三个步骤，去极值、标准化、中性化，上次我们对因子值进行了去极值和标准化，这一次，我们主要讲一讲中性化，也就是neut。 所以，很多因子数值在一个行业内比较才是有效的。同样的思路，有些因子虽然看起来不是一些基本的风格因子，比如PE，但是，其实我们知道，PE和市值有很大的关系，大市值的公司，一般是成熟的公司，PE往往不高。 1.两种中性的方法 所谓中性，最本质的意义就是“无关”，我们说市场中性，就是说我们这个组合与市场无关；我们说因子做了行业中性，说明我们的因子和行业没有关系，风格中性也是如此。 也就是做一个回归，其中，因子值是y，需要中性的风格因子的暴露为x，然后我们进行回归。回归之后的残差就是因子值对行业中性化后的值。这里的风格因子可以是一个也可以多个，也就是一元回归和多元回归的区别。 目前，我们暂时只进行行业中性，然后进行因子的回测。
1.6K40发布于 2019-01-28 - 来自专栏AI智能体从入门到实践
构建AI智能体：潜藏秩序的发现：隐因子视角下的SVD推荐知识提取与机理阐释
) * 奇异值矩阵 Σ (k个隐因子的重要性强度) * 物品隐空间矩阵 Vᵀ (k个隐因子 x n个物品)这里的 k 是一个远小于 m 和 n 的数，它代表了我们认为能够概括用户偏好和物品特性的隐因子的数量 在推荐系统中，我们假设：用户对物品的偏好是由少数几个这样的隐因子决定的。物品本身的特性也可以由相同的几个隐因子来描述。 电影推荐中的隐因子让我们为一个电影推荐系统假设 3 个隐因子。 缓解冷启动问题 ：一个新用户只要对少数几部电影评分，系统就可以估计出他的隐因子向量，从而向他推荐其他在隐空间中相近的电影。跨领域推荐：隐因子是抽象的。同一套隐因子可以同时用于电影、音乐、书籍的推荐。 4.3 隐因子的局限性语义的模糊性与主观性：隐因子本身没有名字，其语义需要人工事后解读。不同的人可能会对同一个因子做出不同的解释。
15421编辑于 2026-01-10 - 来自专栏全栈程序员必看
javascript 隐式转换_mysql隐式转换
JavaScript的隐式转换 一、 JavaScript 数据类型 二、 JavaScript 隐式转换 1. 隐式转换规则 2. + 运算符 3. == 运算符 4. >运算符 5. 二、 JavaScript 隐式转换 在js中，当运算符在运算时，如果两边数据不统一，CPU就无法计算，这时我们编译器会自动将运算符两边的数据做一个数据类型转换，转成一样的数据类型再计算。 这种无需程序员手动转换，而由编译器自动转换的方式就称为隐式转换。 在js中，想要将对象转换成原始值，必然会调用toNumber() 和 toPrimitive() 方法，是内部的。 （逻辑非运算符） 涉及隐式转换最多的两个运算符 + 和 ==。 2. + 运算符 +运算符即可数字相加，也可以字符串相加。 你不能把一个块作为一个函数参数，所以第二个代码示例{}是一个对象，代码的意思是“用一个数组来传递一个对象”（隐式地将对象和数组转换为字符串）。
2.1K10编辑于 2022-11-07 - 来自专栏量化小白上分记
多因子尝试（二）：因子正交化
本文给出另一种更为常用的解决因子间相关性的方法：因子正交化。 01 背景 因子多重共线性 如上一篇所述，传统的多因子模型一般采用IC加权、ICIR加权等方法，这些方法都是以IC为基础确定各因子在模型中的权重。而IC是当期因子暴露与下一期收益间的相关系数。 如果因子间存在较强的相关性/相关性，通过上述加权方式，最终会导致因子对于某种风格的因子重复暴露。使得整个组合的表现严重偏向于该因子，削弱其他因子的效果。 具体来说，当因子表现好时，组合会获得更高的超额收益，但因子表现不好时，也会出现更大幅的回撤。 举个栗子，在上篇三因子组合市净率、1个月动量、市值的基础上，加入流通市值因子进行四因子组合。 基准采用沪深300指数，显然，四因子组合由于在估摸因子上的重复暴露，导致15年股灾之后，相较于三因子组合出现了超额增长，但在17年规模因子失效后出现了更大回撤。
12.6K77发布于 2019-01-22 - 来自专栏量化小白上分记
单因子测试（上）——因子中性化
结构化风险因子模型 对于均值方差模型的优化有多种方法，最广为人知的是结构化风险因子模型，简称多因子模型，多因子模型利用一组共同因子和一个特质因子解释各股票收益率的波动，共同因子对各个股票都有影响，特质因子只对特定股票有影响 多因子模型将因子收益率分解为各因子收益率的线性组合： ? 其中r是股票j的收益率,u是股票j的特质因子收益率， ? 是K个共同因子的因子收益率， ? 是各共同因子在股票j上的因子暴露（因子值）。 其中，X为n只股票在K个因子上的因子暴露矩阵（因子载荷阵），F为共同因子收益率的协方差阵，\Delta为特质因子收益率协方差阵，在上述假设下，特质因子收益率协方差阵为对角阵。 因此，我们需要一套方法来评价因子，这就是做单因子测试的原因。 02 单因子测试方法综述 什么样的因子是好因子？ 要评价因子好不好，我们要从因子定义和用法上出发。 多因子模型中，将股票收益率解释为因子收益率的线性组合，组合的权重就是因子值，认为股票收益率受因子影响，那么一个好的因子就应该能较好解释股票收益率。
13.2K99发布于 2019-01-22 - 来自专栏Java架构师必看
因子分析过程_怎么得出公因子stata
今天说一说因子分析过程_怎么得出公因子stata,希望能够帮助大家进步!!! 言归正传进入主题 什么是因子分析 因子分析法是指从研究指标相关矩阵内部的依赖关系出发，把一些信息重叠、具有错综复杂关系的变量归结为少数几个不相关的综合因子的一种多元统计分析方法。 综合得分 利用因子给每个样本一个综合得分 首先计算各因子的值，使用上面的步骤计算因子1，2，3的得分 其次计算各因子所占的比例，利用旋转后的结果如下： 每个因子所占比例分别是0.2193,0.1998,0.1879 ，累计贡献率是0.6069 则每个因子所占比例： 因子1权重 = 0.2193 / 0.6069 因子2权重 = 0.1998 / 0.6069 因子3权重 = 0.1879 / 0.6069 最后综合得分 = 因子1权重 * 因子1得分 + 因子2权重 * 因子2得分 + 因子3权重* 因子3得分 最终的综合得分到底如何使用，表达什么，只能仁者见仁智者见智了。
2.3K10编辑于 2022-06-27 - 来自专栏生物信息学、python、R、linux
修改因子水平
将factor的因子水平进行修改比较方便的包为forcats 测试数据集：forcats::gss_cat 数据集，该数据集是综合社会调查数据的一份抽样。 gss_cat数据集是由一个 R 包提供的，因为当因子保存在 tibble 中时，其水平不是很容易看到的。查看因子水平的一种方法是使用 count() 函数来直接计算数量。
92120发布于 2020-06-22 - 来自专栏tea9的博客
隐式Intent
button.setOnClickListener(new View.OnClickListener() { @Override public void onClick(View v) { Intent intent=new Intent(“com.example.shaomiao.testintent.intent.action.TestActivity”); startActivity(intent); } });
74820编辑于 2022-07-15 - 来自专栏全栈程序员必看
C# 隐式转换_php隐式转换
下面几种类型的转换被称之为隐式转换 同一性转换 隐式数值转换 隐式枚举转换 隐式引用转换 包装转换 隐式常数表达式转换 用户自定义隐式转换 隐式转换可以在很多种情况下发生 预定义的隐式转换总会成功而且不会引发异常，适当合理的用户自定义隐式转换也可以展示出这些 特性。 一. 同一性转换 同一性转换把任何类型转换为统一的类型。 隐式数值转换 隐式数值转换可以在下面类型中发生： • 从 sbyte 到 short, int, long, float, double 或 decimal。 除此之外的其他隐式数值转换不会损失任何信息。这里不存在转到 char类型的隐式数值转换，也就是说其他的整型数据不会被自动地转换为字符型数据。 三. 隐式枚举转换 一个隐式枚举转换允许小数-整数实字(decimal－integer－literal)被转换成任意的枚举类型。 四.
2K30编辑于 2022-09-27 - 来自专栏Stephen
MySQL隐式类型注入与隐式转换
在MySQL中执行SQL查询时，如果SQL语句中字段的数据类型和表中对应字段的数据类型不一致时，MySQL查询优化器会将数据的类型进行隐式转换。 表中 username 字段是 string 类型，而我们传入的是 int 类型，MySQL在执行这段SQL语句时，将 int 类型的 0 转换为了 double 类型 下表是MYySQL隐式类型转换规则
1.8K10编辑于 2022-06-07 - 来自专栏全栈程序员必看
JS隐式转换_隐式转换是什么
在什么条件下会触发隐式转换机制？ 在进行比较运算，或者进行四则运算时，常常会触发JS中的隐式转换机制。 这是隐式转换的一个很大的弊端，es6的includes方法可以检测出NaN等于NaN，这是一大进步 null == 0 结果为false 这时候两边的类型也不同，但是却没有做类型转换，why true 这里并没有涉及 == 比较，只需要判断 [] 是true还是false即可 注意，字符串转换为数字调用的是Number方法，NaN也是数字，某些方面来说布尔类型也属于一种int类型 隐式转换的最大弊端 NaN不等于NaN 几种为false的情况，只要不是这几组值，结果均为true 0，’’，NaN，false，null，undefined 涉及隐式转换最多的两个运算符 + ，== 三种隐式转换 1、
2.5K20编辑于 2022-11-10 - 来自专栏以终为始
Scala 【 14 隐式转换与隐式参数 】
隐式转换与隐式参数 Scala 的隐式转换，其实最核心的就是定义隐式转换函数，即 implicit conversion function 。 Scala 会根据隐式转换函数的签名，在程序中使用到隐式转换函数接收的参数类型定义的对象时，会自动将其传入隐式转换函数，转换为另外一种类型的对象并返回。这就是“隐式转换”。 隐式转换函数叫什么名字是无所谓的，因为通常不会由用户手动调用，而是由 Scala 进行调用。但是如果要使用隐式转换，则需要对隐式转换函数进行导入。 因此通常建议将隐式转换函数的名称命名为 “one2one” 的形式。 隐式转换 要实现隐式转换，只要程序可见的范围内定义隐式转换函数即可。Scala 会自动使用隐式转换函数。 通常建议，仅仅在需要进行隐式转换的地方，比如某个函数或者方法内，用import 导入隐式转换函数，这样可以缩小隐式转换函数的作用域，避免不需要的隐式转换。
1.5K20编辑于 2023-03-09 - 来自专栏量化投资与机器学习
淘金『因子日历』：因子筛选与机器学习
；因子筛选主要有逐步回归、主成分分析 PCA 等方法，是对批量因子做筛选，剔除冗余因子，降低因子间的相关性，因子检验得到的因子有效性程度也可以作为因子筛选的评价指标，用于剔除低效因子。 ，然后再基于筛选规则选出排名靠前的部分因子，选出的因子集可能存在冗余信息；多因子筛选通常是逐个比较新因子在已选因子基础上带来的“增强”作用来决定该因子的去留，选出的因子集是对收益有最强解释力且因子间不相关的因子 对比大类因子的平均方差情况，排名靠前的有估值因子>无形资产因子>规模因子>流动性因子，而且这些类因子（特别是规模因子）跨横截面后方差有些许降低（因子取值波动反而变小了）；常用的动量因子的方差排名相对靠后 对比大类因子的平均 F 统计量情况，排名靠前的是规模因子>无形资产因子>投资因子>杠杆因子，常用的动量因子排名最后，估值因子也排名较后；基本上所有的大类因子在跨横截面后 F 统计量都有所提升（可能受样本量影响 排名靠前因子中，量价因子居多，比如 Amihud 非流动性因子、总波动率因子、各类换手率因子等；排名靠后因子中，基本面因子居多，如各类财务质量因子。
2.2K23编辑于 2023-04-20 - 来自专栏TomatoCool
图片隐写
常规图片隐写： 1.使用Stegsolve查看不同的图层，最低有效位隐藏的数据，图片异或等。 2.使用16进制编辑器查看隐藏的数据和文件，发现文件格式，文件修复。 特殊的图片隐写： 1.图像隐写 将消息编码为图像像素的颜色值，可使用在线工具直接解码。
1K10编辑于 2023-07-30 - 来自专栏钱塘小甲子的博客
多因子模型之因子（信号）测试平台----因子值的处理（一）
把因子值都做标准化后，是为了以后很多因子可以相互combine。如果不做标准化，量纲就不一样，组合在一起就不会有什么意义。 行业中性比较简单，只要满足行业内因子值均值为0，标准差为1，也就是，行业内部再做一次标准化就可以了。 而风格中性则需要和风格因子的secore，或者说，exposure做回归，然后取残差作为最后的neut-score。 这里，前面三步还是比较容易实现的，但是第四部我们需要一个风格因子的score，这就很尴尬了，因为我们并不知道有哪些风格因子。有一个神一般的存在，叫做barra，读者可以自己去百度一下。 总而言之，这个数据供应商给了我们十个风格因子以及每一个因子的score（exposure）。当然，我们也可以自己去建立这个。
2.2K30发布于 2019-01-28 - 来自专栏量化小白上分记
Barra系列（一）：Barra因子构建和因子测试框架
依照CNE5和数据预处理步骤构建21个小类风格因子，合并成10个大类风格因子。 常用的因子测试步骤包括检验因子有效性、稳定性和单调性等。 斯密特正交化 解决因子间相关性高的方法有很多，根据CNE5构建因子的描述，Nlsize因子对Size因子进行正交化，Hsigma因子对Beta因子进行正交化。 四、因子检测 I、Alpha因子和风险因子 一直以来，风险因子和alpha因子没有严格的区分方法，普遍的看法是alpha因子盈利性更强，且作用方向稳定，而风险因子相反。 2、因子稳定系数和IC值测试因子稳定性 因子稳定性是检验因子质量的另一个重要方面，IC值法除了可以用于检验因子作用显著与否外，还可以用于检验因子作用稳定性。 从因子稳定系数来看，所有因子在三个样本下均大于0.8，而除了Beta因子和Momentum因子之外的所有因子的稳定系数均在0.9之上，表示这些因子稳定性较好。
10.1K32发布于 2020-02-24 - 来自专栏全栈程序员必看
mysql 隐式类型转换_scala的隐式转换
在mysql查询中，当查询条件左右两侧类型不匹配的时候会发生隐式转换，可能导致查询无法使用索引。 下面分析两种隐式转换的情况 看表结构 phone为 int类型,name为 varchar EXPLAIN select * from user where phone = ‘2’ EXPLAIN select * from user where phone = 2 两种情况都可以用到索引,这次等号右侧是’2’，注意带单引号哟，左侧的索引字段是int类型，因此也会发生隐式转换，但因为int类型的数字只有 所以虽然需要隐式转换，但不影响使用索引，不会导致慢查询 EXPLAIN select * from user where name= ‘2’ 这种情况也能使用索引,因为他们本身就是varchar 类型 EXPLAIN select * from user where name= 2 因为等号两侧类型不一致，因此会发生隐式转换，cast(index_filed as signed)，然后和2进行比较。
2.7K10编辑于 2022-11-07 - 来自专栏python3
Python - windows - 隐
import ctypes whnd = ctypes.windll.kernel32.GetConsoleWindow() if whnd != 0: ctypes.windll.user32.ShowWindow(whnd, 0) ctypes.windll.kernel32.CloseHandle(whnd)
51920发布于 2020-01-13
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