在研究推荐系统的过程中，发现新闻类推荐面临快速更新的挑战，传统的协同过滤方法可能不适用。提出了使用LDA主题聚类的思路，但认为这种方法过于粗糙。论文中针对大数据和实时推荐的解决方案不多，且在大规模用户场景下模型应用存在耗时问题。目标转向实现一个能在Spark上并行加速的实时推荐系统，以提高推荐响应速度。
研究推荐系统心得
经过一个月的漫长论文阅读经历，发现自己还不是特别明确能做什么，最近在推荐系统的一个群里，有人问一个问题（对于新闻类个性化推荐，由于新闻的更新频率特别快，可能一周新闻都换了，所以基于物品的协同过滤存在缺陷。但是又没讨论出什么好的解决方法,后来说是否可以直接用LDA进行主题聚类，根据用户对主题的兴趣进行推荐，但是这种方法又太粗糙了，怎么办呢？？？）
接下来并不是要讲如何解决该问题，等我慢慢研究可能会对该问题提出解决方案
如果从学习的角度来看，我们可以通过看书。但是如果是从研究的角度，我想如果能通过实际公司遇到的问题来作为课题，这比自己去找要好很多，可以避免随机的去找论文看，最后也不知道自己做什么
最低0.47元/天 解锁文章
扫一扫
1071
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
