muruan08的博客

LR与LR+GBDT在排序模型中的应用

特征工程是技术中的艺术，如果把机器学习比作做饭，原始数据就好像原始食材，没法直接放锅里去煮，特征工程就是备菜的过程。清洗、加工、切菜、腌制等操作决定了做出的菜是否美味。而这个加工的过程，是切段还是切丝，是盐卤还是酱腌，就看厨师心中之丘壑了。

无论个性化多么重要，热门推荐都是推荐系统里不可或缺的一部分。本文详尽介绍了热门推荐的各种算法，技巧以及热门榜单的攻防之道。

只要对机器学习稍有涉猎，就会发现如今机器学习，无论是推荐、图像、语言等领域，随处可见embedding，可以说，在深度学习主宰机器学习领域的今天，万物皆可embedding。那么，什么是embedding，怎么对实体进行embedding，推荐领域里，embedding会怎么应用呢？且待本文一一道来。

亚马逊作为商业化推荐系统的祖师，推出的开山之作便是协同过滤（collaborative filtering）。即使到了以深度学习为主流召回算法的今天，协同过滤仍然是推荐系统召回策略中绕不开的经典算法。它的思路简洁易懂，效果却出奇地好。今天，我们便来深入聊聊协同过滤算法。什么是协同过滤所谓“协同”，是指用户之间或物品之间的相似性，“过滤”则是指根据相似性，从大量物品中进行筛选的过程。这里说的相似性，并不等同于我们上一章中所讲的内容在语义上的相似。这里的“相似”，是与用户行为相关的，通常是指用户对物品的行为

推荐系统遇上深度学习系列文章撷取特征交叉系列系列文章撷取在简书上看到这一系列文章，非常喜欢，可惜排版不够好，因此转录到这里，供随时查阅。（全部链接来自简书–石晓文的学习日记特征交叉系列推荐系统遇上深度学习(一)–FM模型理论和实践推荐系统遇上深度学习(二)–FFM模型理论和实践推荐系统遇上深度学习(三)–DeepFM模型理论和实践...