【Task04】新闻推荐打卡学习—召回排序

最新推荐文章于 2022-07-21 14:25:06 发布
最新推荐文章于 2022-07-21 14:25:06 发布
阅读量354 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_42474239/article/details/110764274
版权
本文介绍了新闻推荐系统中排序阶段的实现方法，包括LGB排序与分类模型及DIN深度学习模型的应用。此外，还探讨了模型集成技术如输出结果加权融合与Stacking的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【Task04】新闻推荐打卡学习—召回排序

先码后学！
通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。

排序阶段选择了三个比较有代表性的排序模型，它们分别是：

LGB的排序模型
LGB的分类模型
深度学习的分类模型DIN
得到了最终的排序模型输出的结果之后，还选择了两种比较经典的模型集成的方法：

输出结果加权融合
Staking（将模型的输出结果再使用一个简单模型进行预测）

dylan
关注
task05
bw666的博客
12-05 367
task05 排序模型+模型融合 排序模型 使用了召回操作后已经缩减了问题规模，每个用户都有候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 三个有代表性的排序模型：LGB的排序模型、LGB的分类模型、深度学习的分类模型DIN 两种经典的模型集成的方法：输出结果加权融合、S
Task05 天池新闻推荐入门赛之【排序模型+模型融合】
sinat_39470268的博客
12-06 338
DIN，Deep Interest Network，深度兴趣网络。论文的关键在于对用户历史行为的embedding向量的改进。模型结构如下： 左边是一般的深度推荐模型，basemodel，basemodel就是将用户特征，进行sum pooling输入给全连接层，和sigmoid函数得到一个输出的结果； 右边则是DIN模型。利用注意力机制对用户的兴趣进行进行一个加权最后再使用一个sum pooling。 其中，va代表的是候选广告的嵌入向量，ej是用户历史中的兴趣；通过注意力机制来表示用户对于不同历史信
推荐news
weixin_45149287的博客
12-06 125
排序模型 通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是： LGB的排序模型 LGB的分类模型 深度学习的分类模型DIN
天池入门赛- 新闻推荐-task5-排序模型+特征融合
qq_41768189的博客
12-06 197
通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是：   1. LGB的排序模型   2. LGB的分类模型   3. 深度学习的分类
天池新闻推荐入门赛学习打卡task02
weixin_38569553的博客
11-27 206
行为学 Behavioural sciences行为科学探讨的是生物体内的认知过程和自然界中生物体之间的行为相互作用。它通过自然主义的观察、受控的科学实验和数学模型，对人类和动物的行为进行系统的分析和研究。它试图通过严格的公式和观察来完成合法的、客观的结论，行为科学的例子包括心理学、心理生物学、人类学和认知科学。一般来说，行为科学主要涉及人的行动，并常常试图概括人类行为与社会的关系。 行为科学包括两大类：神经-信息科学和社会-关系科学。 信息处理科学涉及认知实体对社会环境刺激的信息处理，以参与决策、社会判断
关于天池赛中零基础入门推荐系统 - 新闻推荐Task02数据分析
weixin_43796337的博客
11-27 692
文章目录前言一、关于数据分析数据分析的目的：数据分析的作用：二、实现步骤1.引入库2.读取数据：3.数据预处理：4.数据浏览：4.1用户点击日志文件_训练集4.2测试集用户点击日志4.3新闻文章信息数据表4.4新闻文章embedding向量表示5.数据分析：5.1用户重复点击5.2用户点击环境变化分析5.3用户点击新闻数量的分布5.4新闻点击次数分析5.5两篇新闻连续出现的次数总结 前言 经过上一篇依据Datawhale的针对天池赛中零基础入门推荐系统 - 新闻推荐Task01的文章，接下来本文将对此次.
关于天池赛中零基础入门推荐系统 - 新闻推荐Task01赛题理解+Baseline
weixin_43796337的博客
11-25 783
文章目录前言一、推荐系统是如何推荐的？二、用户画像是如何预测用户行为的？三、使用步骤1.引入库2.创建两个文件夹：3.压缩数据：4.分析我对一些代码片段的理解：总结 前言 在高速的网络、便捷的支付方式下，消费方式得到改进，网上购物也越来越流行。当你打开购物APP时，你是否有对它的推荐过程产生过疑惑，明明上一次只是随便搜了一下零食，而这一次打开，为你推荐了满屏零食，不得已，你又剁手了，真是又爱又恨呀。 同样地，当我们打开新闻APP看过文章时，接下来APP将会为你推荐一堆跟你历史浏览文章题材及其相似的文章,.
天池&DataWhale：Task05：模型融合
我就吃一口的BLOG
09-28 1260
天池&DataWhale：Task05：模型融合 项目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/master/FinancialRiskControl 比赛地址：https://tianchi.aliyun.com/competition/entrance/531830/introduction 模型融合目标 对于多种调参完成的模型进行模型融合。 完成对于多种模型的融合，提交融合结果并
十一月组队学习之——新闻推荐系统Task02：数据分析
upon120的博客
11-27 144
有幸参加了DataWhale举办的推荐系统组队学习。收获颇多。 每天记录一些自己之前的知识盲点，需经常温习。 数据分析 数据分析的价值主要在于熟悉了解整个数据集的基本情况包括每个文件里有哪些数据，具体的文件中的每个字段表示什么实际含义，以及数据集中特征之间的相关性，在推荐场景下主要就是分析用户本身的基本属性，文章基本属性，以及用户和文章交互的一些分布，这些都有利于后面的召回策略的选择，以及特征工程。 建议：当特征工程和模型调参已经很难继续...
推荐算法之排序召回推荐指标总结
qq_38375203的博客
07-21 1538
最近想起总结一下常用的推荐指标了，觉得这也是最基础的知识点吧。不过这个也不是很全，只是将一些我认为基础的常用的进行了一下总结，后续在任务中遇到其他的再进行补充吧。比如我们常听到的AUC,MAP(MeanAveragePrecison),HR(HitRatio)，NDCG(NormalizedDiscountedCumulativeGain),等。...
Datawhale 实践项目 天池赛中零基础入门推荐系统 Task05：排序模型+模型融合 笔记[让我看看]
微信公众号（年更选手）：数据闲逛人 | Github开源项目：数分/数挖study路线 https://github.com/jc-dian/python_data_analysis
12-04 626
文章目录1. 排序模型1.1 读取排序特征1.2 返回排序后的结果 1. 排序模型 通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是
【算法竞赛学习】Task5 排序模型+模型融合
qq_41807261的博客
06-11 961
import numpy as np import pandas as pd import pickle from tqdm import tqdm import gc, os import time from datetime import datetime import lightgbm as lgb from sklearn.preprocessing import MinMaxScaler import warnings warnings.filterwarnings('ignore') data
推荐系统新闻推荐-排序模型+模型融合
handsomeandge的博客
12-06 838
排序模型 通过召回的操作， 我们已经进行了问题规模的缩减， 对于每个用户， 选择出了N篇文章作为了候选集，并基于召回的候选集构建了与用户历史相关的特征，以及用户本身的属性特征，文章本省的属性特征，以及用户与文章之间的特征，下面就是使用机器学习模型来对构造好的特征进行学习，然后对测试集进行预测，得到测试集中的每个候选集用户点击的概率，返回点击概率最大的topk个文章，作为最终的结果。 排序阶段选择了三个比较有代表性的排序模型，它们分别是： LGB的排序模型 LGB的分类模型 深度学习的分类模型DIN
新闻推荐竞赛-task03
weixin_46387455的博客
11-29 718
目录多路召回工具faiss 使用召回YoutubeDNN召回itemcf recallusercf召回冷启动问题多路召回合并 多路召回 所谓的“多路召回”策略，就是指采用不同的策略、特征或简单模型，分别召回一部分候选集，然后把候选集混合在一起供后续排序模型使用，可以明显的看出，“多路召回策略”是在“计算速度”和“召回率”之间进行权衡的结果。其中，各种简单策略保证候选集的快速召回，从不同角度设计的策略保证召回率接近理想的状态，不至于损伤排序效果。如下图是多路召回的一个示意图，在多路召回中，每个策略之间毫不相关
{项目管理项目报告}城镇基础设施灾后恢复重建项目第批施工办法.pdf
06-13
{项目管理项目报告}城镇基础设施灾后恢复重建项目第批施工办法.pdf
057-java精品项目-基于ssm的推荐版在线网上书店系统.zip
06-13
java源代码+数据库+配套文档+答辩教程
个人简历模板(十六)软件工程师.docx
06-13
个人简历模板(十六)软件工程师.docx
5G MIFI R106管理.apk.1
最新发布
06-13
当前所发布的全部内容源于互联网搬运整理收集，仅限于小范围内传播学习和文献参考，仅供日常使用，不得用于任何商业用途，请在下载后24小时内删除，因下载本资源造成的损失，全部由使用者本人承担！如果有侵权之处请第一时间联系我们删除。敬请谅解!
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值