|
|
|
管理
05 2017 档案
【论文阅读-REC】<<Collaborative Filtering for Implicit Feedback Datasets>>阅读
摘要：摘要： 以前的推荐使用用户的明确反馈，我们使用隐反馈； 文中方法优化过程和数据量呈线性关系；可以很好地和已有系统融合； 我们讲给出一个方法的解释。 1、介绍 1）电子商务对推荐要求很大 2）传统的推荐方法： 一、基于内容，缺点：数据不好搜集 二、协同过滤：优点：领域无关，可以捕获基于内容难以获得的信
阅读全文
【论文阅读-CTR】<<Deep Learning over Multi-filed Categorical Data -A Case Study On User Response Prediction>>阅读
摘要：摘要： 用户反馈预估是搜素、推荐、广告的核心问题；其特征都是多域的分类和数值特征，难以利用； 常用的方法是线性模型+人工特征组合来预估； 本文通过FNN（基于FM）和SNN（基于RBM和DAE）来预估。 1、介绍 常用的ctr预估模型： 1）线性模型：LR->NB->FTRLLR->Bayesian
阅读全文
【论文阅读-REC】<<Recommending music on Spotify with deep learing>>阅读
摘要：1、协同过滤 协同过滤不使用item的具体信息，因此可适用性很强，在书籍、电影、音乐上都可用； 协同过滤不适用item的具体信息，因此强者愈强； 冷启动问题无法解决 2、基于内容的推荐 使用声音信号推荐 3、用DL预估偏好 把用户和music各表示成vec 4、提升效率 输入：每个audio，切割成
阅读全文
【论文阅读-REC】<<DEEP NEURAL NETWORKS FOR YOUTUBE RECOMMENDATIONS>>阅读
摘要：1、介绍： YouTube推荐的挑战： scale：很多算法在小数据有用，在youtube无用； freshness：需要对对新上传视频足够敏感； noisy：没有真实的用户反馈；缺少结构化的数据 2、skip 3、候选生成： 之前的模型是基于矩阵分解；YouTube的DL模型的前几层就是使用神经网
阅读全文
【论文阅读-REC】<<Deep Neural Networks for Youtube Recommendations>>阅读
摘要：1、介绍： YouTube推荐的挑战： scale：很多算法在小数据有用，在youtube无用； freshness：需要对对新上传视频足够敏感； noisy：没有真实的用户反馈；缺少结构化的数据 2、skip 3、候选生成： 之前的模型是基于矩阵分解；YouTube的DL模型的前几层就是使用神经网
阅读全文
|