光彩照人

摘要： 一、应用场景 在基于用户兴趣召回物品时，每个用户都有兴趣标签，有时候可能兴趣标签非常多，每一个标签都有计算出来的权重，从高到底进行排序。在进行推荐的时候，我们到底基于哪些兴趣标签进行推荐呢，只选取topN的吗，还是全部？如果只选取topN的，那每次推荐结果都比较相似，而且权重低的兴趣标签似乎得不到推 阅读全文

摘要： 排行榜其实就是热门榜，在推荐系统中非常重要，细细嚼来，其中也蕴藏了不少学问。究竟有什么作用呢？ 一、排行榜的作用 1）解决新用户的冷启动问题，当新用户来的时候，我们没有他的任何信息，这个时候可以将热点资讯或者物品推荐给他。 2）发现老用户兴趣的方式。老用户兴趣比较明确了，在享受个性化推荐的同时，也可 阅读全文

摘要： 如果想理解汤普森采样算法，就必须先熟悉了解贝塔分布。 一、Beta(贝塔)分布 Beta分布是一个定义在[0,1]区间上的连续概率分布族，它有两个正值参数，称为形状参数，一般用α和β表示，Beta分布的概率密度函数形式如下： 这里的Γ表示gamma函数。 Beta分布的均值是： 方差： Beta分布 阅读全文

摘要： 一、定义 E&E就是探索（explore）和利用（exploit)。 Exploit：基于已知最好策略，开发利用已知具有较高回报的item（贪婪、短期回报），对于推荐来讲就是用户已经发现的兴趣，继续加以利用推荐。 优点：充分利用高回报item。 缺点：容易陷入局部最优，可能错过潜在最高回报的item 阅读全文

摘要： 一、业务架构 二、技术架构 三、系统架构 阅读全文

摘要： 一、为什么需要推荐系统？ 1）信息过载(information overload)问题日益严重 2）人找喜欢的物品、资讯变得越来越困难 3）新的产品想脱颖而出、得到关注，亦不容易 二、推荐系统主要能解决什么问题？ 1）人与物的精确匹配，从人找信息，转变为信息找人2）帮助减少马太效应和长尾效应的影响 阅读全文

摘要： 一、seq2seq架构图 seq2seq模型左边绿色的部分我们称之为encoder，左边的循环输入最终生成一个固定向量作为右侧的输入，右边紫色的部分我们称之为decoder。单看右侧这个结构跟我们之前学习的语言模型非常相似，如下： 唯一不同的是，语言模型的输入a<0>是一个零向量，而seq2seq模 阅读全文

摘要： 一、LSTM架构与公式 这里的a<t>表示的就是原始输出，y<t>表示的就是经过softmax的输出，c<t>相当于状态。u(update)代表是输入门，f代表遗忘门，o(output)代表输出门。 上图就是串联起来的结构，从图中我们可以看出，如果门控设置比较合理的话，c<0>从左到右是可以一直传递 阅读全文

摘要： 一、RNN基本结构 普通神经网络不能处理时间序列的信息，只能割裂的单个处理，同时普通神经网络如果用来处理文本信息的话，参数数目将是非常庞大，因为如果采用one-hot表示词的话，维度非常大。 RNN可以解决这两个问题： 1）RNN属于循环神经网络，当从左到右读取文本信息的时候，上一时刻的状态输出可以 阅读全文

摘要： 参考链接：https://blog.csdn.net/yanqianglifei/article/details/82885477 https://blog.csdn.net/qq_37053885/article/details/79325892 阅读全文