关于 赢咖2娱乐推荐 〖q3597730〗转jbaeoi赵容部 的搜索结果,共639
s****5 2018-07-10
个性化(二)
总结 本章介绍了传统的个性化系统方法和YouTube的深度神经网络个性化系统,并以电影为例,使用PaddlePaddle训练了一个个性化神经网络模型。个性化系统几乎涵盖了电商系统、社交网络、广告、搜索引擎等领域的方方面面,而在图像处理、自然语言处理等领域已经发挥重要作用的深度学习技术,也将会在个性化系统领域大放异彩。 参考文献 P. Resnick, N. Iacovou, etc. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, Proceedings of ACM Conference on Computer Supported Cooperative Work, CSCW 1994. pp.175-186. Sarwar, Badrul, et al. "Item-based collaborative filtering recommendation algorithms."
c****2 2018-07-10
个性化(一)
它通常可以分为两个子类:基于用户 (User-Based)的[1] 和基于物品(Item-Based)的[2]。该方法的一个关键优势是它不依赖于机器去分析物品的内特征,因此它无需理解物品本身也能够准确地诸如电影之类的复杂物品;缺点是对于没有任何行为的新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。 基于内过滤[4](Content-based Filtering Recommendation):该方法利用商品的内描述,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。优点是简单直接,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新用户同样存在冷启动的问题。 组合[5](Hybrid Recommendation):运用不同的输入和技术共同进行,以弥补各自技术的缺点。 近些年来,深度学习在很多领域都取得了巨大的成功。
TOP