关于 关键词排名优化工具最新版〖qq:735894904〗 苏州胥江 的搜索结果,共772
c****2 2018-07-10
个性推荐(一)
该方法的一个势是它不依赖于机器去分析物品的内容特征,因此它无需理解物品本身也能够准确地推荐诸如电影之类的复杂物品;缺点是对于没有任何行为的用户存在冷启动的问题,同时也存在用户与商品之间的交互数据不够多造成的稀疏问题。值得一提的是,社交网络[3]或地理位置等上下文信息都可以结合到协同过滤中去。 基于内容过滤推荐[4](Content-based Filtering Recommendation):该方法利用商品的内容描述,抽象出有意义的特征,通过计算用户的兴趣和商品描述之间的相似度,来给用户做推荐。点是简单直接,不需要依据其他用户对商品的评价,而是通过商品属性进行商品相似度度量,从而推荐给用户所感兴趣商品的相似商品;缺点是对于没有任何行为的用户同样存在冷启动的问题。 组合推荐[5](Hybrid Recommendation):运用不同的输入和技术共同进行推荐,以弥补各自推荐技术的缺点。 近些年来,深度学习在很多领域都取得了巨大的成功。学术界和业界都在尝试将深度学习应用于个性推荐系统领域中。
用****在 2018-07-10
向量(二)
我们在上文中已经讲到用条件概率建模语言模型,即一句话中第tt个的概率和该句话的前t−1t−1个。可实际上越远的语其实对该的影响越小,那么如果考虑一个n-gram, 每个都只受其前面n-1个的影响,则有: P(w1,...,wT)=∏t=nTP(wt|wt−1,wt−2,...,wt−n+1)P(w1,...,wT)=∏t=nTP(wt|wt−1,wt−2,...,wt−n+1) 给定一些真实语料,这些语料中都是有意义的句子,N-gram模型的目标则是目标函数: 1T∑tf(wt,wt−1,...,wt−n+1;θ)+R(θ)1T∑tf(wt,wt−1,...,wt−n+1;θ)+R(θ) 其中f(wt,wt−1,...,wt−n+1)f(wt,wt−1,...,wt−n+1)表示根据历史n-1个得到当前wtwt的条件概率,R(θ)R(θ)表示参数正则项。 图2.
TOP