metrics是MAP@5，mean average precision Expedia Hotel Recommendations 文章目录 1. Leakage solution2. most popular solution 1. Leakage solution kaggle 入门系列翻译（二） Expedia Leakage solution 2. most p

配置出现了问题，删除.vscode文件夹即可

Deep Neural Networks for YouTube Recommendations 2016  继项亮书后值得反复品味的推荐入门神文。 首先奉上两位大佬的博客，也是主要参考的地方。其实这篇文章已经看过两三次了，一些地方总是看不懂，直到这两天王喆大佬在某乎提供了一个大家分享经验的平台后，很多地方都理解了，一些至今仍在工程中应用的东西，原来都能在这篇文章中找到。 王喆 沙韬伟 其

本周在一个客户环境里，发现销售订单中有个Intelligent Recommendations的按钮。 本以为是客户新装的一个SuiteApp，仔细研究一下发现还不是。是个我们忽略的一个内建新功能。 Intelligent Recommendations，是2023.1版本推出的新功能。主要目的是做商品推荐，隶属于CRM范畴的功能。 智能推荐使用人工智能算法来计算并显示客户可能感兴趣购买

原文地址：https://blog.csdn.net/nicajonh/article/details/79657317 Collaborative Filtering Recommendations (协同过滤，简称CF) 是目前最流行的推荐方法，在研究界和工业界得到大量使用。但是，工业界真正使用的系统一般都不会只有CF推荐算法，Content-based Recommendations (C

原文地址：Calibrated Recommendations 1 简介 推荐系统在许多不同的应用程序域中提供个性化的用户体验，包括在线购物，社交网络和音乐/视频流。 在本文中，我们揭示针对准确性（例如，排序指标）进行训练的推荐系统可以轻松生成关注用户主要兴趣领域的推荐项目列表，而用户的次要兴趣领域却往往未被充分利用甚至消失。随着时间的推移，这种不平衡的推荐可能会逐渐缩小用户的兴趣范围。此问

主要参考论文：论文1《Calibrated Recommendations》、论文2《Crank up the volume: preference bias amplification in collaborative recommendation》 推荐系统中的偏好放大现象（preference bias amplification） 你是否有过这样的经历：某天在淘宝搜索了一样东西后，接下

写在前面： 基于位置的业务场景和不考虑位置信息只考虑相关性或者说相似程度的业务场景，使用item2item的方式还不太一样。举个例子，餐饮中，用户吃饭，不会跑个三五十公里，就算三五十公里外的那个item与用户之前喜欢的item相似度很高，我觉得用户应该不会过去。因此基于位置的业务场景，很大一部分需要考虑距离因素，那么可行的一条路便是：在构建item2item的相似矩阵时，加入距离元素。具体如何加

[论文阅读笔记]2021_WWW_Random Walks with Erasure: Diversifying Personalized Recommendations on Social and Information Networks—(WWW, 2021)–Bibek Paudel, Abraham Bernstein 论文下载地址：https://dl.acm.org/doi/10.1