机器学习笔记（十五）：推荐系统

最新推荐文章于 2024-03-31 12:07:52 发布
最新推荐文章于 2024-03-31 12:07:52 发布
阅读量330 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习
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。
本文链接：https://blog.youkuaiyun.com/cg129054036/article/details/84946727
本文深入探讨了电影推荐系统的构建，从问题定义出发，讲解了基于内容的推荐和协同过滤技术。详细介绍了协同过滤算法及其实现细节，包括低秩矩阵分解和均值归一化等关键技术。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

1）Problem formulation

2）Content-based recommendations

3）Collaborative filtering

4）Collaborative filtering algorithm

5）Vectorization: Low rank matrix factorization

6）Implementational detail:  Mean normalization

1）Problem formulation

推荐电影评分：

2）Content-based recommendations

对于每部电影构造特征向量，使用线性回归算法进行预测评分：

特征化：

3）Collaborative filtering

4）Collaborative filtering algorithm

5）Vectorization: Low rank matrix factorization

6）Implementational detail:  Mean normalization

 

SIGIR2020|LightGCN图卷积网络在推荐系统中的应用(已开源)
hestendelin的专栏
07-20 2321
LightGCN: Simplifying and Powering Graph Convolution Network for RecommendationXiangnan He,K...
使用LightGCN实现推荐系统（手撕代码+分析）
热门推荐
weixin_44905312的博客
08-03 1万+
LightGCN代码分析
轻量级图卷积网络LightGCN介绍和构建推荐系统示例
datayx的文章
04-25 1780
向AI转型的程序员都关注了这个号????????????推荐系统是当今业界最具影响力的 ML 任务。从淘宝到抖音，科技公司都在不断尝试为他们的特定应用程序构建更好的推荐系统。而这项任务并没有变得更容易，因为我们每天都希望看到更多可供选择的项目。所以我们的模型不仅必须做出最优推荐，而且还必须高效地做出推荐。今天介绍的这个模型被称作：Light Graph Convolution Network 或 LightGCN¹...
论文浅尝 | KR-GCN: 知识感知推理的可解释推荐系统
开放知识图谱
06-29 1761
论文作者：马婷，中国科学院信息工程研究所直博生动机抽取并利用知识图谱(KG)中的多跳关系路径可以提高推荐系统的性能，并提供可解释性。然而，现有的工作仍面临着两个主要的挑战：用户偏好的错误传播和模型的弱解释性。提取并利用用户物品对之间的所有路径会引入不相关的路径，从而导致用户偏好的错误传播。尽管定义元路径在一定程度上可以缓解错误传播问题并提供一定的解释性，但模型的性能将严重...
如何成为一名合格的推荐系统工程师？
fengdu78的博客
01-19 667
由于近些年深度学习技术的飞速发展，大力加速推动了AI在互联网以及传统各个行业的商业化落地，其中，推荐系统、计算广告等领域彰显的尤为明显。由于推荐系统与提升用户量以及商业化变现有着密不可分...
林轩田-吴恩达机器学习笔记.pdf
09-22
笔记内容的全面性，从基础理论到高级技法，为学习者构建了一个系统的机器学习知识体系。该课程笔记对于那些希望深入了解和支持向量机等机器学习算法的读者来说，是非常有价值的资料。 AI算法工程师在学习这些笔记时...
COURSERA 吴恩达老师机器学习课程笔记-机器学习笔记-[机器学习与推荐算法].pdf
09-03
在吴恩达老师的COURSERA机器学习课程中，他深入浅出地介绍了机器学习的基本概念和核心算法。课程笔记涵盖了从机器学习的介绍...这些笔记是深入理解机器学习和推荐算法的宝贵资源，适合初学者和有一定基础的学习者参考。
机器学习笔记完整版.pdf
09-28
机器学习笔记的广泛下载和使用证明了其在学习者中的实用价值和受欢迎程度。作者还明确表示，笔记中的内容是基于吴恩达的视频课程内容制作的，并且经过了自己的理解和加工。对于笔记中存在的任何错误，作者提供了联系...
HNU机器学习复习笔记
最新发布
06-30
这份HNU机器学习复习笔记，不仅适合在校学生复习考试使用，也适合自学的人士系统学习机器学习知识，并为实际应用提供理论和实践指导。通过学习这些笔记，读者可以构建起扎实的机器学习理论基础，并在数据分析和人工...
吴恩达机器学习笔记pdf格式
05-19
《吴恩达机器学习笔记》是一份详尽的教育资源，旨在帮助学习者深入理解机器学习这一领域的核心概念和算法。吴恩达，作为人工智能和在线教育领域的先驱，以其深入浅出的教学风格闻名，他的机器学习课程在全球范围内广...
推荐系统第9课：bert，gcn等最新算法在推荐系统中的应用
ibelieve8013的博客
04-18 4470
【推荐系统】概述
littlemichelle
06-05 769
https://github.com/kuandeng/LightGCN
用户行为和属性用于推荐系统问题（MBGCN，AGCN，CML）
nakaizura
12-26 5133
传统结合行为，基础属性，高级属性等等的side Information的方法会分连续型或离散型嵌入，然后当作一个分factor输入到推荐系统其他的部分中用于加强推荐的效果，最近看到SIGIR20’有两篇针对行为和属性的方法，且都用了Graph来做为解决方案，效果不错。主要是Graph的方法，涉及到图的更新和嵌入知识博主以往的文章已经更新过了，不做赘述。 Multi-behavior Recommendation with Graph Convolutional Networks 这篇文章主要是针对多行为对
CLSR：Contrastive Learning Based Graph Convolution Network forSocial Recommendation
m0_56321960的博客
01-08 1020
当前的社交推荐模型通常关注建模多图结构，并从这些多图中汇集信息以学习用户的偏好。然而，这些方法往往使用复杂的模型和冗余的参数来获得轻微的性能改进。因此，本文提出了一种集成社交图和交互图信息的对比学习方法，通过对用户嵌入进行融合来获取更精细的用户表示。同时，引入了对比学习框架，通过数据增强构建对比学习的正负样本。总体而言，这篇论文介绍了一种基于对比学习的图卷积网络方法，用于改进社交推荐系统的性能。通过融合社交图和交互图信息，并利用对比学习框架进行数据增强，该方法能够更好地学习用户的偏好。
经典图推荐系统论文LightGCN算法及代码简介
Blueghost19的博客
03-20 1万+
图卷积网络（Graph Convolution Network，GCN）已经被广泛地应用于推荐系统。然而先前基于GCN进行协同过滤的工作（例如NGCF）缺少对GCN的消融研究。作者指出GCN最初被设计用于图上的节点分类任务，并且GCN的特征转换与非线性激活过程并不适用于协同过滤。基于此，作者在标准的GCN的基础上针对推荐任务进行了简化，提出了轻量级图卷积网络（LightGCN）。本文对LightGCN的算法与代码细节进行了简要介绍。
PyTorch搭建基于图神经网络（GCN）的天气推荐系统（附源码和数据集）
showswoller的博客
11-18 5001
PyTorch搭建基于图神经网络（GCN）的天气推荐系统（附源码和数据集）
实战三十一：基于LightGCN推荐算法的推荐系统详细教程（代码+数据）
机器学习深度学习业余选手
12-06 3333
实战三十一：基于LightGCN推荐算法的推荐系统详细教程（代码+数据）
图神经网络在推荐系统中的应用
AI架构师小马
03-31 1092
推荐系统是当今互联网时代不可或缺的关键技术之一,它能够根据用户的喜好和行为,为其推荐个性化的内容和产品,极大地提升了用户的体验。随着推荐系统在各行各业的广泛应用,如何提升推荐的准确性和效率一直是业界关注的热点问题。近年来,图神经网络(Graph Neural Network, GNN)凭借其独特的优势在推荐系统领域崭露头角。图神经网络能够自然地建模复杂的用户-项目交互关系,捕捉隐藏在数据中的高阶特征,从而显著提升了推荐系统的性能。
图卷积神经网络-GCN
qq_74722169的博客
12-18 7885
例如：城市交通的每个路口上的传感器所记录的数据；化学分子结构；人际关系网；推荐系统中每个人构成的图等。并不是说以上的神经网络处理不了图这种类型的数据，只是在处理图这种数据上存在欠缺，图数据有一个很明显的特征，相邻或相近的节点存在一定的空间依赖关系，这种关系传统神经网络很难捕获，为此，图神经网络应运而出。一次聚合更新操作代表GCN的一层。层数是节点特征可以行进的最远距离。例如，使用 1 层 GCN，每个节点只能从其邻居那里获取信息。收集信息过程独立进行，所有节点同时进行。
机器学习课程笔记：协同过滤与推荐系统解析
这篇笔记和吴恩达的机器学习课程为学习者提供了一个全面的平台，涵盖了机器学习的基础概念、核心算法和实际应用，特别是协同过滤在推荐系统中的应用，对于想要深入了解和应用机器学习的人来说是一份宝贵的资源。
评论
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
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