YangTinTin的博客

introduction用户画像时推荐系统中很重要的部分，准确的用户画像能够提高推荐系统的推荐效果。figure1展示了用户画像是如何在推荐系统中起作用的。由图可知，推荐系统包括了四个部分。用户画像、新闻画像、召回、排序。RQ1:如何自动选择有用的特征并且学习同一field内部以及不同field之间的交叉特征？3 our model在这一部分，开始介绍本文的提出的用户标签画像模型。其中包括共享向量的多头注意力机制、基于FM的特征交叉方法以及一种新颖的标签组合方法。模型共包括了五层。分别是 输入层

摘要：计算机科学和信息技术对我们的生活产生了深远的影响，越来越多的论文向计算机科学杂志和会议投稿。为了帮助作者决定将论文投到哪里，本文提出了计算机科学领域期刊和会议推荐系统，这个推荐系统是基于内容的推荐系统。这一推荐系统的网址是： http://www.keaml.cn/prs/。这个系统可以基于论文的摘要推荐合适的期刊或者会议。为了紧跟计算机科学与技术的进展，使用网络爬虫来持续更新训练集以学习模型。为了达到在线交互，提出了一个基于卡方特征选择和softmax回归的高效的混合模型。本文的实验效果表明这个系统

基于图嵌入的金融新闻推荐证券公司需要将合适的金融新闻推荐给特定用户，但现有的推荐方法在推荐金融新闻方面表现不够好。一方面，金融新闻一般包含着很多与公司和股票有关的外部知识。...

摘要：用户时序行为建模在推荐系统中是一个很重要，同时富有挑战性的任务。时序行为建模为模型求参增加了困难，同时时序数据建模意味着更大的数据量需求。本文作者提出了一个两层次的深度学习框架，首先将新闻文本表示成doc2vec词向量，然后利用这些doc2vec词向量以及用户阅读历史生成用户画像。使用用户画像以及和用户对应的大量正样本、负样本训练模型。训练好的模型在真实数据集上进行了实验，与一些优秀的bas...

recall在topN推荐中，我们为用户推荐N个item，如何来评价此推荐的效果呢？比较常用的是Recall（或者hitratio）也就是计算我们正确推荐的item数量占用户总的item数量的比重。举个新闻推荐的例子，假设我们为某个用户推荐了10条新闻，假设其中有5条新闻是用户喜欢的，用户点击新闻进行了阅读，但实际上，用户这一时间段共阅读了20条新闻，所以recall=520=0.25recal...

文章目录1.英文文献1.1 User Profile Extraction from Twitter for Personalized News Recommendation(2014)2.中文文献1.英文文献1.1 User Profile Extraction from Twitter for Personalized News Recommendation(2014)摘要：news r...

1、首先，按照作者文件里给的readme文件进行ip的修改。先看第一步，这里最好按照作者使用的各种软件版本来安装，不然可能会面临一些兼容性问题，我安装的时候，Django2.1，PyMySQL0.9.2是和作者一样的，其余如python（我用的3.5）、vue、node（我的是v12，作者v10）等和作者不一样。第二步就是将newsrec.sql导入mysql。当然，这又涉及MySQL的...

首先，要了解标签的概念标签是人工定义的、高度凝练的特征表示。标签有两个特点：语义化和短文本。语义化指的是容易理解，短文本指的是标签本身不需要进行过多文本分析等预处理工作，可以直接参与特征提取等。以电影推荐为例，某个用户的标签可以是：女、大学生、泰坦尼克号、莱昂纳多、爱情片。这里面的每一个词语都是一个用户标签。这些标签是怎么来的呢？自己根据内容提炼？这样明显不够标准，每个人打标签的标准不一样。...

找到了一篇比较直白的解释：CTR预估解析