sliceoflife的博客

1. GBDT+LR简介 前面介绍的协同过滤和矩阵分解存在的劣势就是仅利用了用户与物品相互行为信息进行推荐， 忽视了用户自身特征， 物品自身特征以及上下文信息等，导致生成的结果往往会比较片面。 而这次介绍的这个模型是2014年由Facebook提出的GBDT+LR模型， 该模型利用GBDT自动进行特征筛选和组合， 进而生成新的离散特征向量， 再把该特征向量当做LR模型的输入， 来产生最后的预测结果， 该模型能够综合利用用户、物品和上下文等多种不同的特征， 生成较为全面的推荐结果， 在CTR点击率预估场景下使

1. 点击率预估简介 点击率预估是用来解决什么问题？ 点击率预估是对每次广告点击情况作出预测，可以输出点击或者不点击，也可以输出该次点击的概率，后者有时候也称为pClick. 点击率预估模型需要做什么？ 通过上述点击率预估的基本概念，我们会发现其实点击率预估问题就是一个二分类的问题，在机器学习中可以使用逻辑回归作为模型的输出，其输出的就是一个概率值，我们可以将机器学习输出的这个概率值认为是某个用户点击某个广告的概率。 点击率预估与推荐算法有什么不同？ 广告点击率预估是需要得到某个用户对某个广告的点击率，

1. 隐语义模型与矩阵分解 协同过滤算法的特点就是完全没有利用到物品本身或者是用户自身的属性， 仅仅利用了用户与物品的交互信息就可以实现推荐，是一个可解释性很强， 非常直观的模型， 但是也存在一些问题， 第一个就是处理稀疏矩阵的能力比较弱， 所以为了使得协同过滤更好处理稀疏矩阵问题， 增强泛化能力， 从协同过滤中衍生出矩阵分解模型(Matrix Factorization,MF)或者叫隐语义模型, 两者差不多说的一个意思， 就是在协同过滤共现矩阵的基础上， 使用更稠密的隐向量表示用户和物品， 挖掘用户和物

推荐系统学习笔记02 - 协同过滤 这几天杂事比较多，协同过滤自己看了一遍，理解了user cf 和 item cf相关知识，但是没有时间形成笔记，此笔记复制与datawhale的协同过滤一节，后期自己学习填补。 文章目录推荐系统学习笔记02 - 协同过滤1. 协同过滤算法2. 相似性度量方法3. 基于用户的协同过滤4. UserCF编程实现5. UserCF优缺点6. 基于物品的协同过滤7. 算法评估8. 协同过滤算法的权重改进9. 协同过滤算法的问题分析10. 课后思考11. 参考资料 1. 协同过滤

推荐系统学习笔记01 文章目录推荐系统学习笔记01一 推荐系统简介1 信息过载（information overload）2 推荐系统与搜索引擎3 个性化推荐系统的应用二 推荐系统评测1 推荐系统实验方法2 评测指标2.1 用户满意度2.2 预测准确度2.2.1 评分预测2.2.2 TopN推荐2.3 覆盖率2.4 多样性2.5 新颖性2.6 惊喜度2.7 信任度2.8 实时性2.9 健壮性三 召回1 召回层在推荐系统架构中的位置及作用2 多路召回3 Embedding召回4 如何使用Embedding做召