摘要：
Abstract 推荐系统可以看作用户和物品的匹配问题，不过user以及item两者的语义空间差异太大，直接匹配不太符合实际。主流的改进CF的方法有两类：基于表示学习的CF方法以及基于函数学习的表示方法。基于表示学习的CF模型将user和item转换到一个共通的语义空间来匹配。基于函数学习的CF尝试 阅读全文
摘要：
(聊两句,突然记起来以前一个学长说的看论文要能够把论文的亮点挖掘出来,合理的进行概括23333) 传统的推荐系统方法获取的user-item关系并不能获取其中非线性以及非平凡的信息,获取非线性以及非平凡的信息恰恰是深度学习所具备的特点.论文对基于深度的学习的推荐系统方法进行了对比以及分类.文章的主要 阅读全文
摘要：
Recommender system strategies 通过例子简单介绍了一下 collaborative filtering 以及latent model,这两个方法在之前的博客里面介绍过,不累述. Matrix factorization methods 许多成功的LFM都是基于MF的.推荐 阅读全文
摘要：
第八章 评分预测问题 一个评分记录为一个三元组(u,i,r)我们用$r{ui}$表示一个用户u给物品i的评分. 8.2 评分评测算法 (1) 平均值 假设有两个分类的函数,一个是用户分类函数$\phi$,一个是物品分类函数$\varphi$.$\phi(u)$定义了用户u所属的类,$varphi(i 阅读全文
摘要：
第七章 推荐系统实例 7.1 外围架构 数据收集和存储 需要实时存取的数据存储在数据库和缓存中，而大规模的非实时地存取数据存储在分布式文件系统中（HDFS）中。 7.2 推荐系统架构 用户和物品的联系如下所示： 如果认为用户喜欢的物品也是一种用 户特征，或者和用户兴趣相似的其他用户也是一种用户特征， 阅读全文
摘要：
第六章 利用社交网络数据 6.2 社交网络数据简介 用图G(V,E,W)描述社交网络数据,V为顶点集合对应用户集;E为边集,两个用户之间有社交网络关系则就有一条边联系;W为每条边的权重.Facebook对应的社交网络为无向图(关系需要双方的确认),Twitter为有向图(朋友关系是单向的). 三种社 阅读全文
摘要：
第五章 利用上下文信息 5.1 时间上下文信息 给定时间信息后,推荐系统从一个静态的系统变成了一个时变的系统.有一个三元组(u,i,t)表示用户u在时刻t对物品i有过行为. (a) 评价物品的生命周期的指标: (1) 物品平均在线天数:如果一个物品在某天被至少一个用户产生过行为,就定义该物品在这一天 阅读全文
摘要：
第四章 利用用户标签数据 流行的三个推荐系统联系用户和物品的方式: (1) item-base itemCF (2) user-base userCF (3) feature_base 隐语义模型以及UGC(User Generated Content)模型(用户标签模型) 利用用户标签推荐的简单算 阅读全文
摘要：
第三章 推荐系统冷启动问题 如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐系统结果满意从而愿意使用推荐系统就是冷启动问题. 3.1 冷启动问题简介 冷启动问题主要分为以下三类: (1) 用户冷启动 主要解决如何给新用户做个性化推荐的问题 (2) 物品冷启动 主要解决如何将新的物品推 阅读全文
摘要：
第二章 利用用户行为数据 2.1 用户行为简介 用户的行为分为显性反馈行为以及隐性反馈行为.用产生行为的用户和行为的对象、行为的种类、产生行为的上下文、行为的内容和权重六个部分表示用户的行为.安装上述定义可将数据集分为:无上下文的隐性反馈数据集;无上下文信息的显性反馈数据集;有上下文的隐性反馈数据集 阅读全文