- 综合排序
- 最热优先
- 最新优先
- 来自专栏人工智能与演化计算成长与进阶
16推荐系统1-2基于内容的推荐系统
我最常听到的答案是推荐系统。现在，在硅谷有很多团体试图建立很好的推荐系统。因此，如果你考虑网站像亚马逊，或网飞公司或易趣，或 iTunes Genius，有很多的网站或系统试图推荐新产品给用户。 如，亚马逊推荐新书给你，网飞公司试图推荐新电影给你，等等。这些推荐系统，根据浏览你过去买过什么书，或过去评价过什么电影来判断。这些系统会带来很大一部分收入，比如为亚马逊和像网飞这样的公司。 推荐系统是个有趣的问题，在学术机器学习中因此，我们可以去参加一个学术机器学习会议，推荐系统问题实际上受到很少的关注，或者，至少在学术界它占了很小的份额。 (红色框中问号) 选定两个为电影的属性 n=2，一个是电影的爱情片程度 x1，一个是电影的动作片程度 x2，则可以用一个特征向量表示每一部电影(加上截距向量 x0=1),则第一部电影可表示为 ? 在一般的线性回归模型中，误差项和正则项应该都是乘以 1/2m，在这里我们将 m 去掉。并且我们不对方差项 (即截距项) 进行正则化处理。
91950发布于 2020-08-14 - 来自专栏机器之心
推荐系统之路 (2)：产品聚类
上一篇文章中，我们介绍了「推荐系统之路」，有些小可爱在留言里表示期待下一篇。最近，这位作者大大更新了。 虽然还是关于推荐系统，但这次讲的是产品聚类以及相关方法，具体见下文↓↓ 在上一篇文章中，我大致介绍了推荐系统，但卡在了矩阵系统的性能这一块。 然而，现在每个商店都会用内部系统来追踪产品。因此，对每个商店来说，产品编码都是独一无二的。 更郁闷的是，产品价格我们也用不上，因为每个商店的产品价格也不同。 为此，我们使用 2 个不同的向量器：CountVectorizer 和* *tf-idf Vectorizer。前者用 {0,1} 创建二元向量，后者根据单词在所有向量中的频率为每个单词分配一个权重。 为了找出 2 个向量之间的相似性，我们用欧几里得距离来进行衡量。如果 2 个产品被归为 1 类，且距离要高于我们的阈值，我们就称生成的组为 category。 ? 想象一下，我们的数据就像一大桶产品。
99440发布于 2019-05-15 - 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
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。 movies_cols = ['movie_id', 'title'] movies = pd.read_csv('u.item', sep='|', names=movies_cols, usecols=range(2) ) ratings = pd.merge(ratings, movies) 2.构造用户的电影矩阵 movieRatings = ratings.pivot_table(index=['user_id columns=['title'],values='rating') corrMatrix = userRatings.corr(method='pearson', min_periods=100) 2.
2.5K33发布于 2021-07-07 - 来自专栏磐创AI技术团队的专栏
使用wrd2vec构建推荐系统
译者 | Arno 来源 | Analytics Vidhya 【磐创AI导读】：这篇文章主要介绍了如何使用word2vec构建推荐系统。 概览 如今，推荐引擎无处不在，人们希望数据科学家知道如何构建一个推荐引擎 Word2vec是一个非常流行的词嵌入，用于执行各种NLP任务 我们将使用word2vec来构建我们自己的推荐系统。 例如，单词“car”和“jeep”有类似的向量: 这是对word2vec如何在NLP中使用的高级概述。 在我们开始构建推荐系统之前，让我问你一个问题。 把消费者的购买历史想象成一句话，而把商品想象成这句话的单词: 更进一步，让我们研究在线零售数据，并使用word2vec构建一个推荐系统。 案例研究:使用Python中的word2vec进行在线商品推荐 现在让我们再一次确定我们的问题和需求： 我们被要求创建一个系统，根据消费者过去的购买行为，自动向电子商务网站的消费者推荐一定数量的商品。
1.9K20发布于 2019-08-13 - 来自专栏JavaEdge
窥探推荐系统1 信息发现2 推荐系统3 分类4 深入推荐机制5 应用6 总结
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。
74330发布于 2018-12-28 - 来自专栏小小挖掘机
推荐系统提供web服务的2种方式
下面图2就是一种可行的完整推荐系统服务方案。 图2：完整的推荐系统业务架构图 如前面所讲，虽然推荐web服务包含前端与后端的交互，前端与后端一般还会有CDN层和Nginx代理层，但本文我们着重关注的是后端真正提供Web服务接口模块及数据存储模块的实现方案 推荐web服务类型 优点 缺点 事先计算型 1. 接口响应更快2. 整个系统有更好的鲁棒性，推荐计算出问题不影响接口返回结果3. 架构更加简单，耦合度低，可以对接口和推荐计算分别优化升级 1. 浪费计算存储资源2. 对推荐结果调整的灵活度低 实时装配型 1. 更省存储计算资源2. 系统更灵活，可以方便临时调整推荐逻辑 1. 接口有更多的处理逻辑，响应相对较慢2. 2.团队架构能力、工程实现能力对推荐web服务选择的影响 实时装配型架构相对复杂，耦合度相对更高，在推荐时需要处理的逻辑更多，因此各个子模块都需要相当稳定，并且需要具备较高的性能，因此对整个推荐软件系统的要求更高
1.2K20发布于 2020-02-24 - 来自专栏项目文章
【基于协同过滤算法的推荐系统项目实战-2】了解协同过滤推荐系统
1、推荐系统的关键元素 1.1 数据 数据是整个推荐系统的基石，我们需要对数据进行清洗和预处理。 1.3 业务领域 不同的领域，不同的行业都会有自己的知识体系，所以泛化的一些推荐系统是无法满足具体领域中的特定的用户需求，所以需要结合知识去特定一些推荐系统。 2、推荐算法的主要分类 2.1 基于关联规则的推荐算法 应用场景：购物篮分析。 通过放入购物篮的不同商品之间的联系，分析顾客的购物习惯。 另外只需要扫描2次数据集，这是和Apriori最大的两个不同点。 2.2 基于内容的推荐算法 简而言之，就是推荐内容相似的物品。 2、数据稀疏 用户-物品矩阵是稀疏矩阵。其解决方案如下： 但降低维度也会有一定丢失属性。
85110编辑于 2024-06-07 - 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. *Theta) )*lambda/2; X_regu = sum( sum(X.
1.6K102发布于 2018-04-02 - 来自专栏范传康的专栏
使用Elasticsearch、Spark构建推荐系统 #2：深入分析
image.png Elasticsearch-spark-based recommender系统方案的两个关键步骤： ALS算法将user-item的交互历史建模构建相关共享隐变量空间（user matrix 和item matirx）； 基于Elasticsearch将推荐问题转换为搜索问题。 ratings_from_es.show(5) image.png 数据从es中读取，实际可以从其他源处理（clickhouse，csv等），另外可以分割为train、valid、test数据集 2） es.mapping.id", "id") \ .option("es.write.operation", "index") \ .save("users", mode="append") 2. 深入分析 1） 为什么不使用spark ml直接推荐？
3.9K101编辑于 2022-04-08 - 来自专栏golang算法架构leetcode技术php
golang刷leetcode 字符串（2）搜索推荐系统
请你设计一个推荐系统，在依次输入单词 searchWord 的每一个字母后，推荐 products 数组中前缀与 searchWord 相同的最多三个产品。 如果前缀相同的可推荐产品超过三个，请按字典序返回最小的三个。 请你以二维列表的形式，返回在输入 searchWord 每个字母后相应的推荐产品的列表。 ["mobile","moneypot","monitor"] 输入 mou， mous 和 mouse 后系统都返回 ["mouse","mousepad"] 示例 2： 输入：products = = "tatiana" 输出：[[],[],[],[],[],[],[]] 提示： 1 <= products.length <= 1000 1 <= Σ products[i].length <= 2 解题思路： 1，字符串匹配的问题，一般可以用Tires树（前缀树） 2，本题的思路分两步 A，用输入的products 建立tire树 B，针对searchWord的每一个前缀，进行匹配。
34720编辑于 2022-08-02 - 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
opt/data/traindata' row format delimited fields terminated by '\t' select * from dw_rcm_hitop_prepare2train_dm import org.apache.spark.mllib.linalg.SparseVector import org.apache.spark.mllib.optimization.SquaredL2Updater 代码如下： # -*- coding=utf-8 -*- import redis pool = redis.ConnectionPool(host='node05', port='6379',db=2) /data/ModelFile.txt') f2 = open('../data/UserItemsHistory.txt') f3 = open('.. rcmd_user_history', kv[0], kv[1]) if i==f3: r.hset('rcmd_item_list', kv[0], line[:-2]
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。 2、Targeting ——对于特定的商品，在促销活动中我们应该关联哪些用户？ ? 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。 2、用户节点 c 的度，它等于该节点的边数。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。 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 String uid) { // 获得数据库连接 Jedis jedis = new Jedis("node05", 6379); jedis.select(2) int compare(Map.Entry<String, Double> o1, Map.Entry<String, Double> o2) { return -o1.getValue().compareTo(o2.getValue());//自定义排序，降序排序 }
98330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
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。 2) 准确的推荐 信息分发维度，推荐就是需要准确，必然是准确的推荐是好推荐的核心要素之一。 3. 2) 用户不知道什么商品存在 好的推荐系统是既可以根据用户的反馈来推荐，也可以不断帮助用户进行探索，因为用户可能不具有某个领域内的知识，好的推荐系统还需承载帮助用户发现新事物的功能。 4. 2) 教育引导 好的推荐可以快速地教育用户，帮助用户快速地了解产品和使用产品。 3) 说服并使用户信任 可以让用户对产品的认知升级，并且开始信任推荐产品，对于推荐产品的结果产生依赖和信任感。 5.
3.1K51发布于 2019-06-24 - 来自专栏用户6881919的专栏
论文阅读2-----基于强化学习的推荐系统
Reinforcement Learning with a Disentangled Universal Value Function for Item Recommendation AAAI 强化学习应用到推荐系统的三个主要问题 2.High-variance environment 不想游戏中environment比较固定，推荐系统的环境更加的难以观察，并且reward来源于human更难得打分。 3.unspecific reward setting in recommendation: 不像GYM中reward已经由环境设定好了，推荐系统中的reward来源于human的评分。
1.1K70发布于 2021-01-14 - 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 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 基于内容的离线召回 我们可以根据用户的历史点击行为，向用户推荐其以前喜欢的文章的相似文章，这种方式称为 u2i2i。
2.6K33发布于 2020-04-20 - 来自专栏后端技术
推荐系统 入门
原文：https://pdfs.semanticscholar.org/943a/e455fafc3d36ae4ce68f1a60ae4f85623e2a.pdf 背景 为了给用户推荐合适的商品，我们要计算用户 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 所以item-CF被提出，它根据用户对商品的使用记录，找到商品之间的相似程度，然后根据用户的喜好记录来推荐相似的商品[2]。 [2] CR、user-CF、item-CF的区别 CR分为三步：1.构建物品的属性资料item profile 2. 构建用户的爱好资料user-profile 3. 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。
98830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。
44751编辑于 2022-11-30 - 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. * 目的2. 降低信息过载 * 互联网时代信息量已然处于爆炸状态，若是将所有内容都放在网站首页上用户是无从阅读的，信息的利用率将会十分低下。因此我们需要推荐系统来帮助用户过滤掉低价值的信息。 2. 推荐算法 算法是什么？我们可以把它简化为一个函数。函数接受若干个参数，输出一个返回值。 ? 算法如上图，输入参数是用户和item的各种属性和特征，包括年龄、性别、地域、商品的类别、发布时间等等。 最后，我们要为用户1推荐物品，则找出与用户1相似度最高的N名用户（设N=2）评价的物品，去掉用户1评价过的物品，则是推荐结果。
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。
66230发布于 2018-12-26
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