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。

仅从召回系统来说，召回池中必然会存在人工策略的部分，用于获得优质的用户体验，以及商业目标的实现。如果把模型召回比喻成经济学中的市场机制，通过自由竞争来高效地完成资源交换，人工策略则属于宏观调控机制，通过人工调节，来引导市场向着健康成熟方向发展。...

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

大家在访问京东或者淘宝等电商系统时，会发现当看了某件商品或者买了某件商品时，电商系统会马上推荐很多相似的商品；当在百度上搜索某个新闻时，信息流马上推荐类似的新闻，这些是怎么做到的呢？这就涉及到我们今天要讲解的基于内容的召回。为什么需要基于内容的召回无论是协同过滤，还是深度学习模型，当下最流行的推荐系统几乎都是以用户与物品交互行为为核心，来构建其召回体系的，但无论何时，基于内容的推荐仍然能够保留其一席之地，这是因为：其一、对于处于发展启动期的推荐系统来说，用户的内容交互量相对较少，需要有以内容召回为核心的

深入浅出推荐系统（一）：推荐系统基本架构提纲过去八九年在广告、生活服务、电商等领域从事大数据及推荐系统相关工作，近来打算对过去的工作做一个系统性的梳理。一方面帮自己查缺补漏、进行更深入的学习；另一方面也希望能通过博客结交同好，增进交流。这一博客系列以介绍推荐系统为主，会少量涉及广告系统。本篇文章作为该系列的第一篇，主要对推荐系统、数据框架等进行整体介绍，不涉及过多技术细节问题。推荐系统简史在互联网信息爆炸的今天，推荐系统是我们身边一个无法躲避存在。在淘宝上浏览商品，在抖音上刷视频，以及无处不在的小

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...