jliang3的博客

作者：jliang https://blog.youkuaiyun.com/jliang3  1.重点归纳1）用户画像是对用户信息的向量化表示，而且用户画像是给机器看的，而不是给人看的。2）用户画像的关键元素是维度和量化，用户画像是跟着使用效果走，用户画像本身不是目的。3）构建用户画像的手段：查户口做记录、堆数据作统计、机器学习黑盒子。4）文本数据用户画像过程（1）分析用户...

作者：jliang https://blog.youkuaiyun.com/jliang3  1.重点归纳1）协同过滤算法分两类：（1）基于记忆的协同过滤：就是记住每个用户消费过的物品，然后给他推荐相似的东西，或者推荐相似的人消费的东西。（2）基于模型的协同过滤：从用户物品关系矩阵中学习一个模型，从而把矩阵空白处填满。2）基于人的协同过滤的步骤（1）准备用户向量，构造稀疏矩...

作者：jliang https://blog.youkuaiyun.com/jliang3 1.重点归纳1）评分预测问题只是很典型，其实并不大众，毕竟在实际的应用中，评分数据很难收集到；与之相对的另一类问题是行为预测才是平民级推荐问题。在真正的推荐系统的实际应用中，评分预测实际上场景很少，而且数据很少，相比预测评分，预测“用户会对物品干出什么事”会更加有效。2）矩阵分解（1）矩阵...

作者：jlianghttps://blog.youkuaiyun.com/jliang31.重点归纳1）FM和FFM模型凭借在数据量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，屡次在各大公司举办的CTR预估比赛中获得不错的战绩。2）FM旨在解决稀疏数据下的特征组合问题，使用矩阵分解的方法来求解参数，从而降低计算复杂度为线性。（1）模型：（2）损失函数回归问题：最小平...

作者：jlianghttps://blog.youkuaiyun.com/jliang3  1.重点归纳1）CTR预估重点在于学习组合特征，包括二阶、三阶甚至更高阶，阶数越高越难学习。Google的论文研究结论：高阶和低阶的组合特征都非常重要，同时学习到这两种组合特征的性能比只考虑其中一种性能要好。2）模型演进历史（1）线性模型：LR、FTRL无法提取高阶的组合特征，依赖人工的...