jiede1的博客

DeepWalk原理介绍与词嵌入类似，图嵌入基本理念是基于相邻顶点的关系，将目的顶点映射为稠密向量，以数值化的方式表达图中的信息，以便在下游任务中运用。Word2Vec根据词与词的共现关系学习向量的表示，DeepWalk受其启发。它通过随机游走的方式提取顶点序列，再用Word2Vec模型根据顶点和顶点的共现关系，学习顶点的向量表示。可以理解为用文字把图的内容表达出来，如下图所示。DeepWalk训练图表示的整个过程大致可以分为2步：随机游走提取顶点序列使用skip-gram学习顶点嵌入训

承接深度学习推荐系统 学习笔记–Chapter 2.1一文逻辑回归模型的表达能力不够强大，会造成信息的损失，无法做很灵活的特征交叉。因此诞生了FM模型家族，加入了大量的特征交叉思想。因子分解机(Factorization Machine, FM)是由Steffen Rendle提出的一种基于矩阵分解思想的机器学习算法，FM的提出是为了解决大规模稀疏数据中的特征组合问题。POLY2模型POLY2=∑j1=1n∑j2=j1+1nwh(j1,j2)xj1xj2POLY2 = \sum^n_{j1=1.

章节2前言即使在深度学习空前流行的今天，协同过滤，矩阵分解，因子分解机等传统推荐模型依旧可凭其解释性强，硬件环境要求低，易于快速训练和部署等不可替代的优势，拥有大量适用的场景传统推荐模型是深度学习推荐模型的基础。在很多出名的推荐系统框架里，都能看到传统推荐模型的影子或思想。传统推荐模型模型的演进关系图传统推荐模型分为几个大族：协同过滤算法族：分为ItemCF,UserCF,但上面两个算法的泛化能力都比较弱，头部效应过于明显，因此后面延伸除了矩阵分解模型MF。逻辑回归模型族：LR相

深度学习推荐系统 学习笔记本系列为笔者阅读《深度学习推荐系统》一书的读书笔记。将书读薄，是进步的第一步导言不同的商业化场景对推荐系统的优化目标不一样，比如，电商场景需要更高的购买转化率（CVR）,新闻类场景需要更高的点击率，视频类需要更高的观看时长（比如，YouTube就是）推荐系统模块推荐系统主要分为两个部分，数据部分和模型部分。数据部分主要涉及到“用户”，“物品”，“场景”信息的收取，并且需要数据经历离线，准实时，实时的处理，其处理结果作为推荐系统模型部分的输入（这里指的输入是