Django's blog

摘要： 推荐系统中所使用的混合技术介绍http://www.tuicool.com/articles/ruYnAn原文http://www.resyschina.com/2013/10/ensemble-recommendation.html文/陈运文在推荐系统实际运用中，各种混合技术是其中一项极为重要的核心技术。在工程实践中我们发现，混合技术对提升推荐效果、改进推荐系统的性能等都有重要意义，因此本文对该专题进行如下的一些总结和介绍。引言在这个信息爆炸的时代，消费者面临众多选择、未知的领域、过载的信息时，往往无所适从；然而与此同时，内容的生产者（例如商家）也在苦苦寻觅合适的用户，寻找最便捷的渠道，而解 阅读全文

摘要： 协同过滤算法一、介绍：http://blog.csdn.net/v_july_v/article/details/7184318http://blog.163.com/lnhenrylee@126/blog/static/2414832520123269713813/http://zh.wikipedia.org/wiki/%E5%8D%94%E5%90%8C%E9%81%8E%E6%BF%BE#.E6.9C.AA.E4.BE.86.E7.99.BC.E5.B1.95http://zh.wikipedia.org/wiki/Slope_one基于协同过滤的三个子类：基于用户的推荐(通过共同口味 阅读全文

摘要： 1，首先使用基于item的协同过滤推荐。2，然后得出每个用户推荐的得分。3，得分>3分的就当成这个用户的推荐Item然后专门计算7月15日-8月15日之间的用户点击行为，把查看、收藏、购物车这3种行为收集起来，如果这3种行为次数较多，那么用户在9月份购买此产品的可能性会很大。已测F1 r感觉上来直接用协同过滤不好，关键是topN，这个N怎么取，取好了效果应该也不错吧？还感觉购物车和收藏可能是大部分噪音的来源，lz要是单纯相加计算的话，不太好吧？阿里内部人士说用LR+协同过滤，当时就蒙了。。。现在想，是不是可以用LR预测某用户下个月是否会买？这个要是能确定F1会不会上升一个档次呢？可惜特征 阅读全文

摘要： http://bbs.aliyun.com/read/154433.html?spm=5176.7189909.0.0.gzyohy&fpage=2看到主办方之前发的一篇文章里提到，这个购买行为 和 传统的评分过滤问题 还是很不一样的。但为什么亚马逊 会使用 item-cf等协同过滤算法呢？这里用item-cf算法为什么会这么差？难道亚马逊 和天猫上的购买行为 有差别？协同过滤的关键是要知道用户的显性反馈，即评分。这个数据集根本就没有给评分，即便是利用购买来做评分，利用binary rate来做，正负例比例失调，购买带来的信息太少。其他行为作为隐形反馈很难合理的加进SVD++进去。总体 阅读全文

摘要： http://bbs.aliyun.com/read/153103.html?spm=5176.7189909.0.0.KWGWap一、同为推荐，大不同！ 不知道同学们是否经常在天猫购物，但是相信大家一定听过音乐，看过电影，读过新闻和小说。大家在享受各种娱乐信息的时候，正在被网站的后台悄悄地记录着你的信息，分析着你的偏好，然后向你推荐越来越喜欢的内容。整个过程也许你并没有明显的感知，但是你会慢慢上瘾，喜欢上它，比如爱上虾米。这其实都是推荐算法的功劳。现在，你们也有机会用自己的算法让大家爱上购物。但是，音乐推荐、视频推荐、新闻推荐和品牌推荐的不同之处还是要注意的，要去思考的。 不都是推荐么？有什 阅读全文

摘要： 一、cygwin的安装我们可以到Cygwin的官方网站下载Cygwin的安装程序，地址是：http://www.cygwin.com/或者直接使用下载连接来下载安装程序，下载连接是：http://www.cygwin.com/setup.exe安装组件：binutilsgccgcc-mingwgdbDevel分支下： autoconf2.5automake1.9binutils gcc gcc-core gcc-g++ gcc-mingw-core gcc-mingw-g++ gdb subvisionBase分支下：sed,主要是在eclipse下编译用的net分支下：openssh和ope 阅读全文

摘要： 1.发掘用户兴趣1）啤酒和尿布的故事2）用户行为数据：session log、impression log、click log。这些日志记录了用户的行为：浏览、购买、点击、评分、评论3）用户行为：显性反馈行为、隐性反馈行为2.用户行为分析1）长尾分布：发f(x)=ax^k2）协同过滤算法：仅仅基于用户行为数据设计的推荐算法。包含：基于邻域（基于用户的协同过滤算法userCF、基于物品的协同过滤算法itemCF）、隐语义模型、基于图的随机游走算法。3）userCF：给用户推荐和他兴趣相似的其他用户喜欢的物品。计算用户的相似度。Digg在应用，相比较MostPopular算法，准确率和召回率都要高 阅读全文

摘要： 1.互联网搜索及推荐发展1）早期的孤岛式网站，门户网站出现，网站导航，属于针对网站的推荐。但是内容的获取还是需要到相应网站上去浏览。2）搜索引擎：用户可以主动检索内容3）推荐系统：主动的推荐用户感兴趣的物品，广告定向投放等。推荐系统发展：热销推荐->个性化推荐->捆绑式推荐。netflix：研究的是预测用户看了电源后会给出怎样的评分。更有意义的应该是用户可能会喜欢的电源。2.推荐系统评测指标1）用户满意度：调查问卷或网站上收集2）预测准确度：平方根误差（RMSE）、平均绝对误差（MAE）3）召回率（recall）4）准确率（precision）5）覆盖率：如何发掘长尾商品。所有物品 阅读全文

摘要： http://my.oschina.net/zhangjiawen/blog/185625１基于用户的协同过滤算法：基于用户的协同过滤算法是推荐系统中最古老的的算法，可以说是这个算法的诞生标志了推荐系统的诞生。该算法在1992年被提出，并应用于邮件过滤系统，1994年被GroupLens用于新闻过滤。在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些用户喜欢的而用户A没有接触过的物品推荐给A。这种方法称为基于用户的协同过滤算法。给定用户u和用户v，令N(u)表示用户u曾经有过正反馈的物品集合，通过余弦相似度计算用户的相似度。由于很多用户相互 阅读全文

摘要： http://blog.fens.me/hadoop-mahout-mapreduce-itemcf/Hadoop家族系列文章，主要介绍Hadoop家族产品，常用的项目包括Hadoop, Hive, Pig, HBase, Sqoop, Mahout, Zookeeper, Avro, Ambari, Chukwa，新增加的项目包括，YARN, Hcatalog, Oozie, Cassandra, Hama, Whirr, Flume, Bigtop, Crunch, Hue等。从2011年开始，中国进入大数据风起云涌的时代，以Hadoop为代表的家族软件，占据了大数据处理的广阔地盘。开源界 阅读全文