love_data_scientist的博客

用户增长

推荐系统中的标签

推荐系统从0到1，帮助项目迅速启动

1.推荐物料来源1.1 原始数据来源根据平台属性不同，分为ugc,pgc,ogc来源上：自己生产或者爬去1.2 内容审核把低质、敏感以及需要过滤的内容过滤，不进入可推荐内容库1.3打标给内容打标，比如keyword,实体词，tag等，方便文章显式分发2.推荐方式2.1显式推荐2.1.1热点推荐2.1.2根据keyword/实体词/tag推荐/类别2.1.3根据用户画像推荐2.1.4根据用户applist2.2隐式推荐2.2.1 FM/xgbo.

环境CentOS release 6.3Tesla P4anaconda2gcc4.8glibc-2.14tensorflow1.9pytorch1.0 第一步：安装NVIDIA驱动，使lspci | grep -i nvidia能够显示出来，nvidia-smi查看GPU使用情况参考https://blog.youkuaiyun.com/oTengYue/articl...

learning to rank是这几年火起来的一个学科，可以应用于检索、推荐等排序场景中。我们的业务场景大都和排序相关，那么掌握住learning to rank就又多了一条解决业务问题的方法。常见的排序算法：1.文本相关性计算方法：BM25，TF_IDF，word2vec等。2.图像相似度计算方法：平均哈希（aHash），感知哈希（pHash），差异值哈希。3.图文相关性使用g...

kaggle    https://www.kaggle.com/    challenger.ai  全球AI调整赛    https://challenger.ai/    https://tianchi.aliyun.com/competition/index.htm   阿里天池大数据比赛

使用矩阵分解技术补充打分矩阵中空白部分

原作者题目：mahout推荐相似度学习总结    原文章路径：http://blog.youkuaiyun.com/a674810893/article/details/44729671mahout的推荐主要是基于协同过滤，协同过滤是通过了解用户与物品之间的关系，也就是用户对物品的偏好来总结经验（无需了解物品的属性），从而进行推荐。而协同过滤又分为基于用户和基于物品。基于用

推荐的算法的重要性我就不多说了，反正是各种重要。最近一段时间结合部门业务，我仔细的研究了各种推荐算法，在此我会附上相应的书籍和文献，帮助大家迅速的入门进阶，最终进入推荐算法的高手行列。推荐算法分为：1.协同的推荐算法；2.基于内容的推荐算法；3.混合的推荐算法在甩干货之前，补充一些常识：机器学习、深度学习、推荐算法和数据挖掘的关系？个人认为（而且好多资料中写道(具体什么资料这个...