bbbeoy的专栏

Wide&Deep的进阶---Deep&Cross(DCN)模型理解与分析，附TF2.x复现 - 知乎​​​​​​推荐系统 之 Wide&Deep和Deep&Cross_Francis_s的博客-优快云博客

ESMM模型与ESM2模型总结_rotation博客-优快云博客

Alternative Training多目标学习在推荐系统的应用(MMOE/ESMM/PLE) - 知乎

转载推荐生态中的bias和debias - 知乎

这里是「王喆的机器学习笔记」的第十八篇文章，今天我们关注模型的评估和线上测试。有经验的算法工程师肯定非常清楚，在一个模型的开发周期中，占工作量大头的其实是特征工程和模型评估及上线的过程。在机器学习平台已经非常成熟的现在，模型结构的实现和调整反而仅仅是几行代码的事情。所以如果能够将模型评估和线上AB Test的效率提高，那一定是大大解放算法工程师效率的事情。今天这篇文章我们就介绍一下流媒体巨头Netflix的“独门线上评估秘笈”——Interleaving。周所周知，Netflix是美国的流媒体巨头，

编辑：子墨来源：《深度学习推荐系统》笔记，并进行补充和说明推荐系统覆盖于生活中的各个方面，无论是电商购物，还是内容咨询，都离不开它的身影，作为一名推荐算法从业者，深知做好推荐系统的必要性，那么做好推荐系统的评估就显得至关重要了，其主要体现在： 推荐系统评估所采用的指标直接决定了推荐系统的优化方向是否客观合理 推荐系统评估是机器学习团队与其他团队沟通合作的接口性工作 推荐系统评估指标的选取直接选定了推荐系统是否符合公司的商业目标和发展愿景 做好推荐系统的评估的前提是必须要

https://blog.youkuaiyun.com/weixin_42944192/article/details/102863460

https://zhuanlan.zhihu.com/p/42214716https://zhuanlan.zhihu.com/p/57481330https://zhuanlan.zhihu.com/p/101595226

https://zhuanlan.zhihu.com/p/138551027

摘要：本篇主要介绍了项目中用于商业兴趣建模的DSSM双塔模型。作为推荐领域中大火的双塔模型，因为效果不错并且对工业界十分友好，所以被各大厂广泛应用于推荐系统中。通过构建user和item两个独立的子网络，将训练好的两个“塔”中的user embedding 和item embedding各自缓存到内存数据库中。线上预测的时候只需要在内存中计算相似度运算即可。DSSM双塔模型是推荐领域不中不得不会的重要模型。目录01 为什么要学习DSSM双塔模型02 DSSM模型理论知识03 推荐..

https://zhuanlan.zhihu.com/p/58280384https://zhuanlan.zhihu.com/p/38875317

https://zhuanlan.zhihu.com/p/269162581https://blog.youkuaiyun.com/pearl8899/article/details/106304536https://zhuanlan.zhihu.com/p/109821378https://zhuanlan.zhihu.com/p/195705761https://www.jianshu.com/p/25446bbf0e49

https://zhuanlan.zhihu.com/p/103552262?utm_source=wechat_sessionhttps://zhuanlan.zhihu.com/p/271912732https://zhuanlan.zhihu.com/p/103092757https://zhuanlan.zhihu.com/p/139417423

https://zhuanlan.zhihu.com/p/82299967https://zhuanlan.zhihu.com/p/94009156https://blog.youkuaiyun.com/wwwsctvcom/article/details/98038484

https://zhuanlan.zhihu.com/p/92293407https://blog.youkuaiyun.com/qq_18293213/article/details/90439401

https://blog.youkuaiyun.com/maqunfi/article/details/99635620https://www.cnblogs.com/wkang/p/9881921.htmlhttps://www.jianshu.com/p/6f1c2643d31b

https://blog.youkuaiyun.com/rosefun96/article/details/108456353https://www.cnblogs.com/yinzm/p/11758595.htmlhttps://www.cnblogs.com/Jesee/archive/2004/01/13/11165309.html

https://www.cnblogs.com/wmx24/p/10341332.htmlhttps://zhuanlan.zhihu.com/p/43364598https://zhuanlan.zhihu.com/p/140458768https://zhuanlan.zhihu.com/p/55234968

https://www.cnblogs.com/yinzm/p/11878831.htmlhttps://www.jianshu.com/p/dbaf2d9d8c94

https://blog.youkuaiyun.com/qq_18293213/article/details/90262378https://www.jianshu.com/p/be784ab4abc2https://zhuanlan.zhihu.com/p/56651241

https://blog.youkuaiyun.com/qq_48314528/article/details/109400730https://blog.youkuaiyun.com/stalbo/article/details/79431662https://zhuanlan.zhihu.com/p/160158270

https://www.cnblogs.com/yinzm/p/11827905.htmlhttps://www.jianshu.com/p/e1873e9a97ad

https://blog.youkuaiyun.com/qq_39381654/article/details/110396814

1.示例引入多个吃货在某美团的某家饭馆点餐，如下两道菜：可乐鸡翅：  红烧肉： 顾客吃过后，会有相关的星级评分。假设评分如下： 评分 可乐鸡翅 红烧肉 小明 4 5 小红 4 3 小伟 2 3 小芳 3 ？ 问题：请猜测一下小芳可能会给“红烧肉”打多少分？ 思路：把两道菜的平均差值求出来，可乐鸡翅减去红烧肉的平均偏差：[（4-5）+（

FM和FFM模型是最近几年提出的模型，凭借其在数据量比较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果的特性，屡次在各大公司举办的CTR预估比赛中获得不错的战绩。美团点评技术团队在搭建DSP的过程中，探索并使用了FM和FFM模型进行CTR和CVR预估，并且取得了不错的效果。本文旨在把我们对FM和FFM原理的探索和应用的经验介绍给有兴趣的读者。前言在计算广告领域，点击率CTR（

一： 推荐系统任务：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中的双赢。长尾理论：传统80/20(%80销售额来自于20%热门商品)原则在互联网加入下受到挑战。长尾商品销售额是个不容小觑的数字，也许会超过热门商品带来的销售额。热门商品代表绝大多数用户需求，而长尾商品代表一小部分用户个性化需求。因此要发

LFM(latent factor model)隐语义模型核心思想是通过隐含特征联系用户兴趣和物品。 相比USerCF算法(基于类似用户进行推荐)和ItemCF(基于类似物品进行推荐)算法；我们还可以直接对物品和用户的兴趣分类。对应某个用户先得到他的兴趣分类，确定他喜欢哪一类的物品，再在这个类里挑选他可能喜欢的物品。基于上面的思想，基于兴趣分类的方法大概需要解决3个问题： ①：如何

在之前的博文中介绍了三种方法给用户推荐物品。 1）UserCF：给用户推荐和他们兴趣爱好相似的其他用户喜欢的物品。 2) ItemCF：给用户推荐与他喜欢过的物品相似的物品。 3) LFM：通过一些特征来联系用户和物品，给用户推荐那些具有用户喜欢的特征的物品。 具体可以看我之前的博文。 本文我将自己实现两个算法，如有不对的地方还望指正。 本节咱们将讨论一种重要的特征表现形式

本博文将介绍PersonalRank算法，以及该算法在推荐系统上的应用。 将用户行为数据用二分图表示，例如用户数据是由一系列的二元组组成，其中每个元组(u,i)表示用户u对物品i产生过行为。将个性化推荐放在二分图模型中，那么给用户u推荐物品任务可以转化为度量Uv和与Uv 没有边直接相连 的物品节点在图上的相关度，相关度越高的在推荐列表中越靠前。图中顶点的相关度主要取决与

这个案例跟推荐系统相关，预测用户可能感兴趣的event。关于这个案例更多信息打开event_recommendation_competition。这里我直接讲解第一名的解决方案。这个方案中除了包含经典的机器学习解决步骤，还融合了推荐系统里传统的解决方法：基于用户的协同过滤，基于物品的协同过滤，当然也可以融合LFM模型等等，因为这个解决方案很经典，所以我觉得值得拿出来详细讲讲。我将贴出完整代码，并且

概念     TF-IDF（term frequency–inverse document frequency）是一种用于资讯检索与资讯探勘的常用加权技术。TF-IDF是一种统计方法，用以评估一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加，但同时会随着它在语料库中出现的频率成反比下降。TF-IDF加权的各种形式常被搜寻引擎应用