phyllisyuell的博客

写在前面1、Deepwalk 和 Node2vec 这些图算法的本质就是特征提取器，对graph进行采样（Sampling），对采样出来的序列构造模型（embedding）,最终把节点转化为特征向量，即为embedding。2、图算法的优势graph是对复杂的连接关系建模，通过用户行为序列，能够更好地学的items的高阶相似关系。同时，在构建数据集的过程中，能够让长尾商品获得更多的训练，弥补数据稀疏的问题，有效提升覆盖率。一、Deepwalk1、来源：出自14年KDD：《DeepWa

一、概述1、粗略推荐系统的两个阶段实际的工业推荐系统，如果粗分的化，经常讲的有两个阶段。首先是召回，主要根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品，然后交给排序环节，排序环节可以融入较多特征，使用复杂模型，来精准地做个性化推荐。召回强调快，排序强调准。当然，这是传统角度看推荐这个事情。2、细致推荐系统的四个阶段四个环节分别是：召回、粗排、精排和重排。召回目的如上所述；有时候因为每个用户召回环节返回的物品数量还是太多，怕排序环节速度跟不上，所以可以在召回和

推荐系统概述一、概述1、推荐系统从搜索引擎借鉴了不少技术和思想，比如内容推荐有不少技术就来自搜索引擎， 由 Amazon 发扬光大的，基于用户（ User-based ）和基于物品（ Item-based ）的协同过滤将推荐系统技术从内容延伸到协同关系，超越了内容本身。2、世界在向网状发展，万事万物倾向于相互连接构成复杂网络。复杂网络具有无尺度特点，表现是：少数节点集聚了大量连接。这个现象不陌生，叫做马太效应，社交网络粉丝数、网页链接引用量、电商网站商品销量等等，无不如此。推荐系统的使命，就是要