- 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
例如，如果Jean-Pierre喜欢星球大战3:绝地武士归来和星球大战5:帝国反击战，Jason也喜欢绝地武士归来，那么帝国反击战对Jason来说是就是一个很好的推荐。 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。 ', 'movie_id', 'rating'] ratings = pd.read_csv('u.data', sep='t', names=ratings_cols, usecols=range(3) 2.构造用户的电影矩阵 movieRatings = ratings.pivot_table(index=['user_id'],columns=['title'],values='rating') 3. simCandidates = simCandidates.append(sims) simCandidates.sort_values(inplace = True, ascending = False) 3.
2.5K33发布于 2021-07-07 - 来自专栏FE32 Code
Vue3 后台管理系统模板推荐
之前写了一篇关于 Vue2 的后台管理系统模板的推荐，详情请见 Vue后台管理系统模板推荐。 Vue3 在今年2月份已成为新的默认版本，本文收集了一些 Vue3 的后台管理系统模板，分享给在座的仌（打工人乃人上人）。 还是老规矩，按照 Github 星标数量来依次介绍。 个人较推荐 vue-vben-admin、vue-pure-admin、naive-ui-admin、vue3-composition-admin、vue-next-admin。 本地开发推荐使用 Chrome 80+ 浏览器（不要用360、QQ等国内厂商浏览器，懂得都懂），支持现代浏览器，不支持 IE。 使用最新版本的 vue3 + vite + element-plus 开发而成，目的是为了解决通用型的业务中后台系统复杂的配置。
9.6K34编辑于 2022-10-27 - 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。 ? 3 分类 可以根据很多指标 3.1 是否为不同用户推荐不同数据 大众推荐系统 对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品 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。
74330发布于 2018-12-28 - 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. sample_recommendation(model, data, [3, 25, 450])----
1.6K102发布于 2018-04-02 - 来自专栏JavaEdge
机器学习入门(八) — 推荐系统我们在哪能见到推荐系统3 推荐的分类模型4 协同过滤
我们在哪能见到推荐系统 个性化正在改变我们关于世界的经验 影片推荐 商品推荐 音乐推荐 朋友推荐 image.png 药品 - 靶相互作用 3 推荐的分类模型 3.1 最简单的方法 - 流行度 3.2
69330发布于 2018-12-25 - 来自专栏人工智能与演化计算成长与进阶
16推荐系统3-4协同过滤算法
参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 16.3 协同过滤 Collaborative filtering 推荐系统有一个很有意思的特性就是 特征学习 ，即 自行学习所要使用的特征 对于基于内容的推荐系统来说，需要有人事先对电影的 x1 爱情成分和 x2 动作片成分做出评价，来确定每部电影的特征成分，并使用电影的特征训练出了每一个用户的参数 。 Note 对于上述电影推荐系统的问题仅仅建立在每位用户都对数个电影进行了评价，并且每部电影都被数位用户评价过的情况下，这样才能重复这个迭代过程来估计出 和 协同过滤算法 指的是当你执行算法时，要观察大量的用户的实际行为来协同地得到更佳的每个人对电影的评分值 使用梯度下降算法最小化代价函数 在训练完算法后，我们预测 θ 为用户 j 给电影 i 的评分 通过这个学习过程获得的特征矩阵包含了有关电影的重要数据，这些数据不总是人能读懂的，但是我们可以用这些数据作为给用户推荐电影的依据 如果一位用户正在观看电影 ，我们可以寻找另一部电影 ，依据两部电影的特征向量之间的距离||x(i)-x(j)||的大小判断这两部电影的特征相似度，如果两者的特征相似度差距很小，则我们可以将其互作为推荐内容推荐给用户
89711发布于 2020-08-14 - 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
/data/UserItemsHistory.txt') f3 = open('.. kv[0], kv[1]) if i == f2: r.hset('rcmd_user_history', kv[0], kv[1]) if i==f3:
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。 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。 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。 ? 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
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) 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. 其它相关指标： 用户对算法准确度的敏感度，算法对不同产品的普适性，广义的质量评价，个人隐私的保护，推荐系统的鲁棒性等 具体上述几个指标的计算等，我们在推荐系统的评价这一章展开。 3.
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
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 基于用户的协同过滤user-CF[3] 找到该用户有相同喜好的同类用户，把那些同类用户喜欢，而该用户没用过的物品列为推荐。 基于商品的协同过滤item-CF[3] 基于用户的协同过滤基本思想非常简单，就是找到志同道合的朋友，并把朋友感兴趣的而用户没有接触过的商品推荐给用户。 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。 3 分类 可以根据很多指标 3.1 是否为不同用户推荐不同数据 大众推荐系统 对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品 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。
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. 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。 3. 推荐结果评估 当推荐算法完成后，怎样来评估这个算法的效果？CTR（点击率）、CVR（转化率）、停留时间等都是很直观的数据。
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。 3 分类 可以根据很多指标 3.1 是否为不同用户推荐不同数据 大众推荐系统 对每个用户都给出同样的推荐，这些推荐可以是静态的由系统管理员人工设定的，或者基于系统所有用户的反馈统计计算出的当下比较流行的物品 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。
66230发布于 2018-12-26 - 来自专栏用户6881919的专栏
论文阅读3-----基于强化学习的推荐系统
recommendations selected by the previous versions of the recommender(只考虑正反馈，可考虑负反馈或是被忽视的item) 所以作者提出了以强化学习为基础的推荐系统 feedback collected form multiple behavior policies(利用importance sampling方法实现离线训练，看不懂转李宏毅力强化学习,看PPO哈） (3) top-k off-policy correction to account for our policy recommending multiple items at a time(作者提出可以每次推荐多个 (强化学习的优点还在于探索未知，提高推荐满意度),同时线上环境真实训练) proposed model 为了方便大家理解，我就先把模型图给解释清楚。 image.png image.png image.png Top-K Off-Policy Correction 但是推荐系统一般是一下子推荐好几个东西，作者提出如下修正： image.png
1.2K80发布于 2021-01-15 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。
97130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
77021发布于 2020-08-06 - 来自专栏大数据技术栈
推荐系统 —— 概述
80%的利润，过去人们也一直将精力放在发掘这20%热门物品的价值，但是长尾理论则认为，80%的偏门物品如果能找到其正确需求用户，其潜在价值远大于20%的热门物品，这80%的偏门物品我们就叫做 长尾物品 3. 哈哈哈哈 这里没有涉及什么具体的推荐算法怎么弄的，主要还是推荐的一个流程： 1. 收集用户信息 2. 通过推荐算法产生候选集 3. 从候选池中选取topn 进行推荐 4. 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。
76531发布于 2019-10-30
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