推薦系統(tǒng)綜合案例介紹

1、推薦系統(tǒng)綜合案例介紹技術(shù)創(chuàng)新，變革未來智慧IT目 錄010203概述模型介紹代碼詳解實(shí)驗(yàn)結(jié)果04推薦算法中的一些問題：協(xié)同過濾無法解決冷啟動問題基于內(nèi)容的推薦無法利用協(xié)同過濾信息如何建模用戶的上下文信息（地理位置、時間、天氣）沒有某種算法能夠完全解決問題， 多重算法+交互設(shè)計(jì)才能解決特定場景的需求1. 概述學(xué)術(shù)界工業(yè)界數(shù)據(jù)量多種規(guī)模的數(shù)據(jù)集供選擇數(shù)據(jù)量巨大數(shù)據(jù)種類用戶、物品、知識圖譜、圖片用戶、物品、日志、廣告商、設(shè)備、算法種類單模型多模型算法效率一般不追求要求能夠迅速的給出結(jié)果性能盡可能對單模型優(yōu)化追求最終上線結(jié)果1. 概述工業(yè)界常用的推薦算法流程Item1Item2Item3原始物品集生成

2、候選集排序物品、用戶特征過濾1. 概述目 錄010203概述模型介紹代碼詳解實(shí)驗(yàn)結(jié)果04MF（Matrix factorization）模型矩陣分解是指將一個矩陣分解成兩個或者多個矩陣的乘積。在推薦系統(tǒng)中則是將評分矩陣分解為用戶矩陣和物品矩陣的成績。然后再用分解后的矩陣補(bǔ)全原始評分矩陣。2. 模型介紹FISM（FISM-Factored Item Similarity Methods）模型在矩陣分解的基礎(chǔ)上，人們提出里基于物品相似度的推薦算法。但這種算法需要維護(hù)一個大矩陣在物品數(shù)量龐大時無法使用。FISM算法的思想是將相似度矩陣進(jìn)行分解，用兩個小矩陣來代替原有的大矩陣。2. 模型介紹LR（Lo

3、gistic regression）模型LR是一種二分類模型，可以用于預(yù)估某種事件的可能性，如用戶是否點(diǎn)擊廣告、購買商品等等。由于算法實(shí)現(xiàn)簡單、復(fù)雜度低且具有較高的分類精確度，在工業(yè)界的大規(guī)模數(shù)據(jù)場景中國非常常見。2. 模型介紹GBDT（Gradient Boosting Decision Tree）模型是一種迭代的決策樹算法，該算法由多棵決策樹組成，所有樹的輸出累加起來做最終結(jié)果?；诸惼鞑捎胏art回歸樹，每次迭代生成一個新的cart樹用于擬合殘差。由于其算法效率高，不需要大量的特征工程就能有較好的效果，且具有很強(qiáng)的泛化能力，在工業(yè)界中也非常常見。2. 模型介紹目 錄010203概述模型介紹代碼詳解實(shí)驗(yàn)結(jié)果04模型接受的參數(shù)分別設(shè)置第一階段和第二階段使用的算法3. 代碼詳解初始化第一階段的模型3. 代碼詳解初始化第二階段的模型3. 代碼詳解目 錄010203概述模型介紹代碼詳解實(shí)驗(yàn)結(jié)果04FISMMFLR0.0090.0106GBDT0.02220.0434由表格可以看出，GBDT是優(yōu)于LR的，優(yōu)于GBDT能夠更好的利用用戶即物品的特征，且不需要特征工程就能捕捉特征間的非線性關(guān)系，故而效果比較好。但是可能由于訓(xùn)練不充分或者數(shù)據(jù)集的原因，F(xiàn)ISM的效果比MF的效果略差。從表格中可以看出，在具體的推薦過程中，第一階段的預(yù)篩選和