摘要：
LFM算法核心思想是通过隐含特征(latent factor)联系用户兴趣和物品，找出潜在的主题和分类。LFM（latent factor model）通过如下公式计算用户u对物品i的兴趣： $$ Preference(u,i) = r_{ui} = {p_u}^T q_i = \sum_{f=1} 阅读全文
摘要：
协同过滤推荐（Collaborative Filtering Recommendation）主要包括基于用户的协同过滤算法与基于物品的协同过滤算法。 下面，以movielens数据集为例，分别实践这两种算法。 movielens数据集包含四列，【用户ID|电影ID|打分|时间戳】，根据用户的历史评分 阅读全文
摘要：
目前，推荐系统广泛应用于电商、信息流和地图。工业级推荐系统架构一般以召回+推荐作为大框架。其中，以算法区分，如下图所示。 离线/线上指标如下图所示： 个性化召回算法是根据用户的属性行为上下文等信息从物品全集中选取其感兴趣的物品作为候选集，召回决定了最终推荐结果的天花板。 个性化召回分为以下几类： 基 阅读全文