qq330214001的博客

一.简介由facebook提出的，综合利用用户自身特征、物品自身特征和上下文信息的推荐模型。二、LR模型（逻辑回归） 线性回归 + sigmoid函数映射 = 逻辑回归逻辑回归假设数据服从伯努利分布,通过极大化似然函数的方法，运用梯度下降来求解参数，来达到将数据二分类的目的。逻辑回归模型将推荐问题转化为点击率预估问题1.目标函数：求导后，更新w，进行多次迭代：三、GBDT模型1.原理加法模型，不断减

一、点击率预估1.概念通过使用二分类的逻辑回归模型对广告的点击率作出预测，最后输出一个概率值2.目的得到某用户对某广告的点击概率。二、Wide&Deep模型的Memorization 和 Generalization1.概述是对Memorization 和 Generalization 的融合，得到一个更好的推荐结果。Memorization 学习规则： SVD、协同过滤，通过记忆用户历史行为进行推荐 矩阵学习规则Generalization 学习规

1.矩阵分解的背景为了使得协同过滤更好处理稀疏矩阵问题，增强泛化能力2.矩阵分解算法原理通过分解协同过滤的共现矩阵来得到用户和物品的隐向量3.矩阵分解算法的求解①Basic SVD:把求解上面两个矩阵的参数问题转换成一个最优化问题，可以通过训练集里面的观察值利用最小化来学习用户矩阵和物品矩阵。4.FM模型①二阶交叉项②定理：任意一个实对称矩阵（正定矩阵） 都存在一个矩阵，使得下面式子成立。③证明：...

协同过滤基本概念，就是通过用户的喜好、行为等分析进行精准化的推荐服务。我们这里只讲对于邻域的协同过滤算法。一般分为两种：UserCF：基于用户的协同过滤算法，所谓基于用户，就是用户A和用户B相似，用户A买了X、Y，用户B买了X、Y、Z，我们就给用户A推荐商品Z。ItemCF: 基于物品的协同过滤算法,根据用户历史选择物品的行为，通过物品间的相似度，给用户推荐其他物品。1.基于用户的协同过滤算法2.基于物品的协同过滤算法...

一、概述：1.定义帮助用户快速发现有用信息的工具,不需要用户提供明确的需求，而是通过分析用户的历史行为给用户的兴趣建模2.重要模块用户建模模块、推荐对象建模模块、推荐算法模块二、推荐算法比如：规则算法、基于内容的算法、协同过滤的算法等，见下图：三、评测指标1.用户满意度：用户调查获得用户满意度主要是通过调查问卷的形式，是最重要的指标2.预测准确度①评分预测（RMSE+MAE）：预测用户对物品的评分行为成为评分预测,评分预测模型通过对用户的历史物品评分记录进行建模,进而得到用户的兴