• 微信公众号:美女很有趣。 工作之余,放松一下,关注即送10G+美女照片!

深度学习推荐系统

开发技术 开发技术 6小时前 2次浏览

目录
  • 问题
  • 前深度学习时代

问题

页码 问题内容
P46 为什么L1范数比L2范数更容易产生稀疏解

前深度学习时代

P48

模型名称 基本原理&Tips 特点 局限性
协同过滤(Collaborative, CF) 协同大家的反馈、评价和意见(共现矩阵)一起对海量的信息进行过滤,focus相似度 非常直观 但泛化性很差,无法将两个物品相似这一信息用于计算—新商品的向量非常稀疏,推荐结果的头部效应很明显
用户协同过滤 UserCF 具有较强的社交特性,适合发现热点,跟踪热点的趋势————适合新闻推荐场景 互联网应用下用户数远远大于物品数,用户的历史数据向量往往非常稀疏
物品协同过滤 ItemCF 适用于兴趣变化较为稳定的应用,比如电商,视频推荐场景
改进算法—矩阵分解 为每个用户和视频生成一个隐向量,在空间上相近的用户和视频即为类似视频。计算方法:特征值分解(只能方阵),奇异值分解(要求稠密,计算量大),梯度下降 提高了稀疏矩阵的处理能力,泛化能力强,空间复杂低,扩展性 难以利用其他用户、物品特征以及上下文信息
逻辑回归 点击率(Click Through Rate, CTR)预估问题,focus分类问题,预测正样本的概率 表达能力不强,无法特征交叉,特征筛选等一系列高级操作,不可避免的造成信息损失。
因子分解机(Factorization Machine, FM)
域感知因子分解机(Field-aware Factorization Machine, FFM)

程序员灯塔
转载请注明原文链接:深度学习推荐系统
喜欢 (0)