5 小时前 / 读芯术
全文共10848字，预计学习时长21分钟或更长 图片来源：Unsplash/Susan Yin 你也许每天都会逛一逛电子商务网站，或者从博客、新闻和媒体出版物上阅读大量文章。 浏览这些东西的时候，最令读者或者用户烦恼的事情是什么呢？ ——有太多的东西可以看，反而会经常看不到自己正在搜索的东西。 是的，网上有太多的信息和文章，用户需要一种方式来简化他们的发现之旅。 如果你在经营一家电子商务网站或博客，你也许会问：有这个必要吗？ 嗯……你听过漏斗吗？ 用户所用的漏斗越小，产品的转换就越大。这是......
13 天前 / zhishemg
前言 之前一直给大家推荐的是关于 Flink 的介绍和知识点，以及关于 Flink 里面使用这些知识点的一些简单的 demo，地址在：https://github.com/zhisheng17/flink-learning 。总的来说，现在还挺缺这种真正实战的项目分享出来，尤其是把源代码分享出来的，近期我在 GitHub 观察到一个不错的 Flink 项目，然后也和作者交流了下，于是在这里做一个分享。所以，那些平时问我有没有 Flink 项目的可以看过来了。地址在 ：https://github.com/CheckChe0803/flink-recommandSystem-demo 下面介绍下这个项目。 1. 系统架构 v2.01.1 系统架构图 1.2模块说......
14 天前 / Thinkgamer
TransFM结合了FM和TransRec的思想，将其应用在序列推荐中，使用简单的模型对复杂的交互之间进行建模并能取得不错的效果。 ——文章概要 序列推荐模型TransRec，参考：点击阅读 该文的授权版本：TransFM【此文文末有留言送书活动】 概述论文是由Rajiv Pasricha和Julian McAuley两位大佬提出的发表在RecSys18 上的，是TransRec和FM的结合版本（论文下载地址：https://cseweb.ucsd.edu/~jmcauley/pdfs/recsys18a.pdf）。在下面会简单介绍TransRec和FM。 对于电商网站（如亚马逊），媒体网站（如Netflix，Youtube）等而言，推荐系统是其......
38 天前 / Thinkgamer
结缘编辑我不知道是怎样的巧合，让吴老师（此书的编辑）在茫茫人海之中找到了我，我也不知道是谁给我的勇气让我答应去写作这本书。只知道我头脑发热之后的无数个夜晚和周末都被写作占据了，我期待的诗和远方也被我藏在角落里，直到初版书稿完成后才悄然拿起，带着我的小毛驴游历四方。 我想大概也许是因为CSDN博客的多年耕耘才给了我这个机会，大概也许是因为我的工作经历给了我写这本书的勇气，不管怎样，我都怀抱着感恩的心态，感激一路走来遇见的每一个人，他们都是我的老师，只不过有些人在教我一个道理之后就不再相交。 之前也......
41 天前 / gongyouliu
点击上方“大数据与人工智能”，“星标或置顶公众号” 第一时间获取好内容 作者丨gongyouliu 这是作者的第15篇文章，约1.1万字，阅读需70分钟 以下为正文： 作者在《推荐系统产品与算法概述》这篇文章中简单介绍了协同过滤算法。协同过滤算法是在整个推荐系统发展史上比较出名的算法，具备举足轻重的地位，甚至在当今还在大量使用。 本篇文章作者会详细讲解协同过滤推荐算法的方方面面，这里所讲的也是作者基于多年推荐系统研究及工程实践经验的基础上总结而成，希望对大家学习协同过滤推荐算法有所帮助，提供一些借鉴。 本文会......
41 天前 / Thinkgamer
该论文是北京一高校学生的论文，其主要是基于用户-物品-标签这样的三部图网络展开描述的。下面主要介绍一些其中提出的可用的点，其余的详细介绍可参考原文章。 ——文章概要 背景推荐算法是个性化推荐的核心，现有的推荐算法（除了点击率预估之外的）包括： 基于内容的推荐算法 基于项目的协同过滤算法 基于用户的协同过滤算法 基于模型的协同过滤算法 基于社会网络分析方法的算法 基于网络结构的推荐算法 基于网络结构的推荐算法大部分是基于二部图来对用户进行个性化推荐，这种推荐算法不能有效地解决用户冷启动和冷门物品......
53 天前 / Thinkgamer
前边我们已经把《推荐系统开发实战》系列文章更新完毕，这里进行汇总，方便读者收藏和学习。 ——文章概要 《推荐系统开发实战》欢迎关注！ 《推荐系统开发实战》之推荐系统的前世今生与古往今来 《推荐系统开发实战》之从搭建一个电影推荐系统开始学推荐系统开发实战 《推荐系统开发实战》之推荐系统的灵魂伴侣-数据挖掘 《推荐系统开发实战》之基于用户行为特征的推荐算法介绍和案例实战开发 《推荐系统开发实战》之基于上下文的推荐算法介绍和案例实战开发 《推荐系统开发实战》之基于标签的......
56 天前 / gongyouliu
点击上方“大数据与人工智能”，“星标或置顶公众号” 第一时间获取好内容 作者丨gongyouliu 这是作者的第14篇文章，约1.1万字，阅读需70分钟 以下为正文： 作者在《基于内容的推荐算法》这篇文章中对基于内容的推荐算法做了比较详细的讲解，其中一类非常重要的内容推荐算法是基于标签的倒排索引算法，也是工业界用的比较多的算法，特别是新闻资讯类、短视频类产品大量采用该类算法。 在本篇文章中作者会结合电视猫的业务场景及工程实践经验来详细讲解基于标签的倒排索引算法的原理及工程落地方案细节。 希望读者读完......
58 天前 / Thinkgamer
推荐系统的评估方法分为用户调研、在线评估和离线评估。本篇文章会进行详细介绍。 ——文章概要 《推荐系统开发实战》欢迎关注！ 转载请注明出处：http://blog.csdn.net/gamer_gyt博主微博：http://weibo.com/234654758Github：https://github.com/thinkgamer公众号：搜索与推荐Wiki个人网站：http://thinkgamer.github.io 用户调研 推荐系统的离线实验指标和实际商业指标之间存在差异。例如，预测准确率和用户满意度之间就存在很大的差异，高预测准确率不等于高用户满意度。因此，要准确评估一个算法，需要相对真实的环境，最好......
59 天前 / Thinkgamer
如何在没有丰富历史数据的情况下为用户推荐个性化的商品，这就是冷启动问题。 ——文章概要 《推荐系统开发实战》欢迎关注！ 推荐系统基于用户大量的历史行为做出事物呈现，因此用户的历史行为数据是构建一个优质推荐系统的先决条件，但在实际场景中并非所有的用户都拥有丰富的历史数据，如首次进入电商网站的用户。如何在没有丰富历史数据的情况下为用户推荐个性化的商品，这就是冷启动问题。 冷启动介绍冷启动主要分为三类：用户冷启动、物品冷启动、系统冷启动。 用户冷启动：解决的是如何给新用户进行个性化推荐的问题。当一......
60 天前 / Thinkgamer
“损失函数是用来估量你模型的预测值f(x)与真实值Y的不一致程度，它是一个非负实值函数,通常使用L(Y, f(x))来表示，损失函数越小，模型的鲁棒性就越好。损失函数是经验风险函数的核心部分，也是结构风险函数重要组成部分。 ”《推荐系统开发实战》欢迎关注！ 本系列之前介绍的都是一些基本的推荐算法，将这些算法真正应用到工业界（即应用推荐系统的地方，如电商网站、广告推广等）其实是很难的。并不是说这些算法没有用武之地，而是要根据具体的场景来判断是否能使用推荐系统。本篇会先对传统的推荐算法进行总结和说明，然后对目前业界用......
62 天前 / Thinkgamer
社会化标签是资源的分类工具，也是用户个人偏好的反映，因此社会化标签为推荐系统获得用户偏好提供了一个新的数据来源。 ——文章概要 《推荐系统开发实战》欢迎关注！ 标签系统的传统用法是，在一些网站中，用户会为自己感兴趣的对象打上一些标签，如豆瓣、网易云音乐、Last.fm等。这些社会化标签即资源的分类工具，也是用户个人偏好的反映，因此社会化标签为推荐系统获得用户偏好提供了一个新的数据来源。之所以说“传统”，是因为这些标签是用户主观意愿的表达，是主动行为。但是，有些电商网站也会对用户或商品进行一些客观的打......
63 天前 / Thinkgamer
“准确地了解用户的上下文信息（包括用户访问推荐系统的时间、地点、访问时的心情等），并将这些信息应用到推荐系统中，是实现一个好的推荐系统的关键。 ”《推荐系统开发实战》欢迎关注！ 在本系列之前介绍的推荐算法主要是为了联系用户的偏好和物品，将符合用户偏好的物品推荐给用户。例如“基于标签的推荐算法”中介绍的偏好是“用户的主观意见表达”，物品本身所传达的含义和用户所处的客观环境对推荐系统而言也是极其重要的，如冬天推荐短袖、中秋节推荐粽子等都是不合理的，不能说用户在冬天搜索了短袖或在中秋节搜索了粽子就给用户......
65 天前 / Thinkgamer
“推荐系统的受众对象为用户，只有明白用户的意图，才能给用户推荐更好的内容。基于用户行为特征的推荐，其实在真正的“个性化推荐系统”诞生之前就已经存在了。 ”《推荐系统开发实战》欢迎关注！ 推荐系统的受众对象为用户，只有明白用户的意图，才能给用户推荐更好的内容。基于用户行为特征的推荐，其实在真正的“个性化推荐系统”诞生之前就已经存在了。最简单的就是各种排行榜，它们基于简单的用户统计，又对其他选择提供一定的指引。 用户行为分类用户行为分为两种——显性反馈行为和隐性反馈行为。 显性反馈行为 显性反馈行为是......
66 天前 / Thinkgamer
“个性化推荐是数据挖掘（Data Mining）中的一个目的明确的应用场景，所以，可以利用数据挖掘技术为推荐系统做一些基本工作，如了解数据、异常值处理、对用户群进行分类、对物品的价格进行聚类、构建用户的价格段偏好等，从而让推荐系统能够“千人千面”。本篇文章主要介绍一下常见的数据挖掘算法应用案例。 ”《推荐系统开发实战》欢迎关注！ 数据预处理数据预处理（Data Preprocessing）是指：在使用数据进行建模或分析之前，对其进行一定的处理。真实环境中产生的数据往往都是不完整、不一致的“脏数据”，无法直接用来建模或进行数据分......