北大《推荐系统》课程-基于二部图的协同过滤

最新推荐文章于 2024-06-15 17:00:35 发布
原创 最新推荐文章于 2024-06-15 17:00:35 发布 · 1k 阅读 · 14 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #推荐算法

这篇博客介绍了推荐系统中的扩散模型，包括激活扩散、物质扩散和热扩散三种方法。激活扩散通过矩阵乘法来推荐项目，物质扩散关注用户兴趣的传播，而热扩散则利用热度指标来筛选TOP-N推荐。这些模型为个性化推荐提供了理论基础。

注：北大刘宏志老师的《推荐系统》课程学习，图片来源于课程PPT和参考书籍

总体思想是用图进行扩散，扩散过程分成激活扩散、物质扩散和热扩散三种，都是借助矩阵乘法推出项目集，再计算TOP-N。

1.基本定义

2.激活扩散

 

3.物质扩散

 

 

最低0.47元/天 解锁文章
传统搜索推荐系统的匹配准确度
AI架构师小马
09-30 1124
传统搜索推荐系统的匹配准确度 1. 背景介绍 1.1 问题的由来 随着互联网的快速发展，信息过载问题日益严重。用户在海量的信息中寻找自己需要的内容变得越来越困难。搜索引擎和推荐系统应运而生，成为了人们获取信息的重要工具。搜索引擎根据用户输入的关键词
协同过滤—基于图的方法
jediael_lu的专栏
06-25 1534
文章目录1、概述1.1 基于路径的相似度1.2 基于随机游走的相似度 1、概述 在基于图的推荐方式中，数据可以用图的形式表示。左边的数据点表示用户的集合，右边的数据表表示物品的集合，这些点通过线连接，线上的数据是用户对物品的评分。用户到物品的路径长度可以用于预估用户对物品的评分；用户和用户（或者物品和物品）之间的路径长度可以用于预估用户（或者物品）的相似度。 基于图的推荐得到的传递关联可以通过2...
个性化推荐算法系统（2）：基于二分图的个性化推荐召回算法personal rank（MovieLens数据集电影推荐）
06-18
BAT大牛亲授--个性化推荐算法实战：基于二分图的个性化推荐召回算法personal rank（MovieLens数据集电影推荐），所有代码和数据集
协同过滤算法_SIGIR 2019 开源论文：基于图神经网络的协同过滤算法
weixin_39622643的博客
11-18 577
本文同步发表在PaperWeekly张俊：SIGIR 2019 开源论文：基于图神经网络的协同过滤算法​zhuanlan.zhihu.com作者丨纪厚业单位丨北京邮电大学博士生研究方向丨异质图神经网络，异质图表示学习和推荐系统论文：https://www.paperweekly.site/papers/3212源码：xiangwang1223/neural_graph_collaborative_...
基于二部图的推荐
weixin_34383618的博客
12-03 1370
　　用户-项目评分矩阵可以用来建立一个二分图（Bipartite Graph），图中节点分别表示用户和项目，边的权重为用户对项目的评分。可以分析二分图的结构，进而得出对用户的项目推荐。  　　用户和项目是推荐系统的两个最重要的基本组成部分，可以设用户集为U，项目集为I。 下面依托上表 2.1 所示的用户-项目评分矩阵总结一下基于图结构的推荐算法的四个大致步骤： 　　1.  建立二分图。由于...
推荐系统之基于二部图的个性化推荐系统原理及C++实现
weixin_33782386的博客
12-27 300
1.引言 许多网站都喜欢让用户点击“喜欢/不喜欢”，“顶/反对”，也正是这种很简单的信息也可以利用起来对用户进行推荐！这里介绍一种基于网络结构的推荐系统！ 由于推荐系统深深植根于互联网，用户与用户之间，商品与商品之间，用户与商品之间都存在某种联系，把用户和商品都看作节点，他（它）们之间的联系看作是边，那么就很自然地构建出一个网络图，所以很多研究者利用这个网络图进行个性化推荐，取得了不错的效果！...
协同过滤推荐算法
weixin_45757641的博客
12-05 1355
协同过滤：利用集体智慧，借鉴相关人群的观点进行推荐。 过去兴趣相似的用户在未来的兴趣也会相似；相似的用户会产生相似的历史行为数据。 根据历史行为，产生相似用户，分析出推荐结果。 用一句大白话说，其实也就是小明喜欢A、B，小红喜欢A、B、C，那么就可以推测出来小明也喜欢C，我们就可以给小明推荐C。收集数据—>寻找邻域—>计算推荐结果 显示反馈：用户主动地向系统表达其偏好，一般需要用户在消费完项目后进行额外反馈。 隐式反馈：隐含用户对项目偏好的行为数据，是用户在探索或消费项目过程中正常操作。基本思想：基于用户
推荐算法分类：协同过滤、聚类、分类
willduan的博客
03-28 5095
引言 昨日看到几个关键词：语义分析，协同过滤，智能推荐，想着想着便兴奋了。于是昨天下午开始到今天凌晨3点，便研究了一下推荐引擎，做了初步了解。日后，自会慢慢深入仔细研究（日后的工作亦与此相关）。当然，此文也会慢慢补充完善。 本文作为对推荐引擎的初步介绍的一篇导论性的文章，将略去大部分的具体细节，侧重用最简单的语言简要介绍推荐引擎的工作原理以及其相关算法思想，且为了着重浅显易...
基于深度学习的推荐系统研究
free356的博客
03-05 1万+
基于深度学习的推荐系统研究 论文信息：北京邮电大学   陈达  14年硕毕论目的：深度网络学习算法应用到推荐系统 。为此工作：1）研究分析基于内容的推荐系统和基于协同过滤的推荐系统，包括基于相似度的最近邻方法，朴素贝叶斯方法，潜在因素的矩阵分解方法，分析了各自的优缺点。2）研究一个典型的深度网络模型——多层受限波兹曼机（DBN）。3）将深度网络与传统协同过滤方法相结合，建立一个新的深度网络混合模型...
深度学习在推荐系统中的应用
给我一点温度
11-24 5642
2016年DeepMind开发的AlphaGo在围棋对决中战胜了韩国九段选手李世石，一时成为轰动全球的重大新闻，被全球多家媒体大肆报道。AlphaGo之所以取得这么大的成功，这其中最重要的技术之一是深度学习技术。经过这几年的发展，深度学习技术已经在图像分类、语音识别、自然语言处理等领域取得突破性进展，甚至在某些方面(如图像分类等)超越了人类专家的水平。深度学习技术驱动了第三次人工智能浪潮的到来。 ...
【论文笔记】通过二分图模型进行索引分区 在推荐系统中进行更快的相似度搜索
hyuno的博客
02-11 744
Index partitioning through a bipartite graph model for faster similarity search in recommendation systems scalability：可扩展性。即系统的计算能力可以通过增加计算机而提升，是模型性能的一个特性。 inverted index：倒排索引用于有效地检索类似文档。它是列表的集合，其中每个列表都是从元素到包含该元素的集合的映射。已经广泛应用于搜索引擎中，推荐系统中由于数据的稀疏和高维，也适合使用倒排索
[推荐系统阅读笔记]CIKM/21 通过二部图和注意力机制聚合序列信息和时间信息的推荐方法（TGSRec）
weixin_45758909的博客
03-13 2380
[推荐系统阅读笔记]CIKM/21 Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer 翻译：通过二部图和注意力机制聚合序列信息和时间信息的推荐方法 文章目录[推荐系统阅读笔记]CIKM/21 Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer1.创新点与解决
人大高瓴/腾讯提出QAGCF：用于Q&A推荐的图形协同过滤
最新发布
码农的科研笔记
06-15 828
本文提出了一个新颖的基于图神经网络的问答推荐模型QAGCF,通过多视图方法解纠缠协同信息和语义信息。论文实验的核心是验证QAGCF相比现有模型在推荐准确性上的优势,以及分析其内部机制。本论文针对Question and Answer (Q&A)平台的推荐任务,提出了一种新颖的图神经网络模型QAGCF。QAGCF采用多视图方法,从协同视图和语义视图分别构建用户-问题、用户-答案二部图以及问题-答案、问题-问题图,以解开问题-答案对的协同信息和语义信息。
推荐系统实践（六）CF 图模型
HouLei
05-21 2637
二部图 在推荐系统中，用户行为数据可以表示成图的形式，具体来说是二部图。用户的行为数据集由一个个（u,i）二元组组成，表示为用户u对物品i产生过行为 其中，users集U={A, B, C}，items集I = {a,b,c,d}。则用户物品的二部图为： 图中顶点的相关度主要取决与以下因素： 1）两个顶点之间路径数 2）两个顶点之间路径长度 3）两个顶点之间路径经过的顶点 而相关性高的顶点一般...
“泰迪杯”挑战赛 - 基于二部分图网络推荐算法
weixin_47922824的博客
05-28 1645
第一章 绪论 1.1 选题背景与研究意义 计算机技术的发展和互联网的不断普及，满足了用户在信息时代对信息的需求，但随着网络的迅速发展而带来的网络信息量的指数增长，使得用户在面对大量信息时无法从中快速获得对自己真正感兴趣或有用的那部分信息，对信息的使用效率反而降低了。在庞大且复杂无比的互联网信息库面前，用户所需的信息量是微乎其微，如何从中快速、准确地找到所需的信息，是许许多多的学者所关注的问题。 个性化推荐系统正是解决这一问题的有效方法，它是根据用户的兴趣特点和历史行为，将用户感兴趣的信息、产品推荐给用户。和
NYOJ 1015 二部图 （BFS）
MADE_Y
04-05 880
二部图 时间限制：1000 ms  |  内存限制：65535 KB 难度：1 描述 二部图又叫二分图，我们不是求它的二分图最大匹配，也不是完美匹配，也不是多重匹配，而是证明一个图是不是二部图。证明二部图可以用着色来解决，即我们可以用两种颜色去涂一个图，使的任意相连的两个顶点颜色不相同，切任意两个结点之间最多一条边。为了简化问题，我们每次都从0节点开始涂色 输入输入： 多组数据
用PersonalRank实现基于图的推荐算法
热门推荐
Harry Huang
08-18 1万+
今天我们讲一个下怎么使用随机游走算法PersonalRank实现基于图的推荐。 在推荐系统中，用户行为数据可以表示成图的形式，具体来说是二部图。用户的行为数据集由一个个（u,i）二元组组成，表示为用户u对物品i产生过行为。本文中我们认为用户对他产生过行为的物品的兴趣度是一样的，也就是我们只考虑“感兴趣”OR“不感兴趣”。假设有下图所示的行为数据集。
北大《推荐系统》课程-推荐系统基本概念和算法分类
KPer_Yang的博客
06-05 1050
推荐系统基础概念和算法分类
基于Hadoop的协同过滤推荐系统设计与实现研究
资源摘要信息:本文档为北京邮电大学计算机学院的一篇硕士研究生学位论文，题目为《基于Hadoop的协同过滤推荐系统研究与实现》，由郑健撰写，导师为徐六通教授，完成于2013年12月24日。论文聚焦于在大数据背景下，...
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

KPer_Yang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值