weixin_41640583的博客

personal rank是可以通过用户行为划分二分图为固定user得到item重要程度排序的一种算法。1.算法的文字阐述对用户A进行个性化推荐，从用户A节点开始在用户-物品二分图random walk，以alpha的概率从A的出边中等概率选择一条游走过去，到达该顶点后（举例顶点a），有alpha的概率继续从顶点a的出边中等概率选择一条继续游走到下一个节点，或者（1-alpha）的概率回到...

一、单位阶跃函数（sigmoid）阶跃函数及其导数：函数表达式：当 x = 1 时，f(x) = 0.5 ; 当 x = 10 时，f(x) 接近于1 ，这也就是之前说过的，当x > 0 的时候，会非常快速的接近于1；当x <0 的时候，会非常快速的接近于0 。这完全符合LR模型，对0-1分类时的要求。下面再来看一下其导数：即为：也就是 f(x...

一、LR（逻辑回归）背景知识介绍将会介绍什么是点击率预估、什么是分类模型以及LR模型的基本使用流程、LR模型的基本训练流程，从这几个方面介绍LR的背景知识。1. 点击率预估与分类模型什么是点击率预估呢？相信点击率的概念大家都知道，在系统中 点击率 = 点击的数目 / 总展现的数目，而点击率预估就是针对特定的用户在当前上下文结合用户当前的特征给出的item可能被点击的概率，预估方法可...

一、什么是学习排序？说起学习排序，首先介绍一下排序，排序是在搜索场景以及推荐场景中应用的最为广泛的。传统的排序方法是基于构造相关度函数，使相关度函数对于每一个文档进行打分，得分较高的文档，排的位置就靠前。但是，随着相关度函数中特征的增多，使调参变得极其的困难。所以后来便将排序这一过程引入机器学习的概念，也就变成这里介绍的学习排序。那么这里介绍的排序都是指对于单独的文档进行预估点击率，将...

一、个性化召回算法的总结这里会将之前介绍过的几种算法进行归类，并简短介绍每一种个性化召回算法的核心原理；同时演示工业界中多种召回算法共存的架构。下面看一下之前讲过的个性化召回算法的分类：1. 基于邻域的：CF、LFM、基于图的推荐personal rankitem-CF是item根据user的贡献，得到item的相似度矩阵，用户根据点击过的item的相似item来完成推荐。us...

1. 问题抽象skip gram是已知中间词，最大化它相邻词的概率。与CBOW的不同：CBOW的时候，是选取一次负采样；而这里对于中间词的上下文的每一个词，每一次都需要进行一个负采样。下面看一下条件概率：与之前的CBOW大体形式一样，不同之处：（1）隐含层输出的是中间词对应的词向量；而CBOW是输出的所有中间词上下文词向量对应的和；（2）theta：上下文的词，或者...

word2vec有两种形式：CBOW skip gram一、CBOW网络分为三层：输入层、投影层、输出层。输入层：上下文；投影层：将上下文向量加起来；输出层：当前词；投影层与输出层之间是全连接，如果输出的这个词是这里的W(t)的话，希望最大化的就是这个概率。而除了W(t)，词典（词典指训练语料包含的所有的词）中所有词的生成概率最小。这就引申出一个问题，如果其余词...

item2vec的原型：word2vec一、背景1. Item2item的推荐方式效果显著：很多场景下item2item的推荐方式要优于user2item；item2item的推荐方式：在获取item相似度矩阵之后，根据用户的最近的行为，根据行为过的item找到相似的item，完成推荐，如itemCF。user2item：根据用户的基本属性和历史行为等基于一定的模型，算出最可能...

一、个性化召回算法Content based背景介绍1. 思路简单，可解释性强任何一个推荐系统的初衷，都是推荐出用户喜欢的item。基于内容的推荐，恰恰是根据用户的喜好之后，给予用户喜欢的物品。eg：某一个用户经常点击体育类的新闻，那么在这个用户下一次访问这个网站系统的时候，自然而然的给用户推荐体育类型的新闻。那么对于推荐结果可解释性非常的强。2. 用户推荐的独立性基于内容...

回忆一下，8-1中给出的实例，当时用了3个样本，3个特征来演示LR模型的工作原理。但是，可能会有疑问，为什么只有3个样本？在实际的项目中，可能会有非常多的样本，其中有些样本是可以用的，有些样本是不可以用的，到底哪些可以用，哪些不可以用。包括我们有很多的特征，依据什么规则来判断是否对最终的结果有效都是下面要介绍的内容。下面首先看一下样本方面的知识。在点击率预估过程中，需要的样本是带有labe...