發(fā)簡(jiǎn)信
IP屬地：上海
-
新聞推薦05——排序模型+模型融合排序模型 通過(guò)召回的操作膀懈， 我們已經(jīng)進(jìn)行了問(wèn)題規(guī)模的縮減入篮， 對(duì)于每個(gè)用戶蛔糯， 選擇出了N篇文章作為了候選集拯腮，并基于召回的候選集構(gòu)建了與用戶歷史相關(guān)...
-
新聞推薦04——特征工程
特征工程(制作特征和標(biāo)簽， 轉(zhuǎn)成監(jiān)督學(xué)習(xí)問(wèn)題) 我們先捋一下基于原始的給定數(shù)據(jù)蚁飒， 有哪些特征可以直接利用： 文章的自身特征动壤， category_...
-
新聞推薦03——多路召回多路召回 所謂的“多路召回”策略，就是指采用不同的策略淮逻、特征或簡(jiǎn)單模型琼懊，分別召回一部分候選集，然后把候選集混合在一起供后續(xù)排序模型使用爬早，可以明顯...
-
新聞推薦02——探索性數(shù)據(jù)分析1. 探索性數(shù)據(jù)分析 探索性數(shù)據(jù)分析( Exp lorat哼丈。可Data Analysis , EDA) 是采用各種技術(shù)(大部分為可視化技術(shù))在盡...
-
新聞推薦01——賽題理解
1. 題目理解 1.1 題目概況 新聞推薦場(chǎng)景下的用戶行為預(yù)測(cè) 賽題以新聞APP中的新聞推薦為背景筛严，要求選手根據(jù)用戶歷史瀏覽點(diǎn)擊新聞文章的數(shù)據(jù)信...
-
GBDT+LR模型1. GBDT+LR簡(jiǎn)介 協(xié)同過(guò)濾和矩陣分解存在的劣勢(shì)就是僅利用了用戶與物品相互行為信息進(jìn)行推薦醉旦， 忽視了用戶自身特征， 物品自身特征以及上下文...
-
Wide&Deep模型
Wide & Deep是專(zhuān)門(mén)為推薦系統(tǒng)點(diǎn)擊率預(yù)估而設(shè)計(jì)的一個(gè)種聯(lián)合模型桨啃。 1. 點(diǎn)擊率預(yù)估 點(diǎn)擊率預(yù)估是對(duì)每次廣告點(diǎn)擊情況作出預(yù)測(cè)车胡，可以輸出點(diǎn)擊...
-
矩陣分解與FM
1. 矩陣分解 1.1 隱語(yǔ)義模型LFM（latent factor model） 協(xié)同過(guò)濾算法的特點(diǎn)就是完全沒(méi)有利用到物品本身或者是用戶自身的...
-
協(xié)同過(guò)濾算法
1. 初識(shí)協(xié)同過(guò)濾 在推薦系統(tǒng)的眾多算法中，基于內(nèi)容的推薦與基于領(lǐng)域的推薦在實(shí)踐中得到了最廣泛的應(yīng)用优幸。 其中基于領(lǐng)域的算法又分為兩大類(lèi)吨拍， 一類(lèi)是...