recommender专题

多场景建模: STAR(Star Topology Adaptive Recommender)

之前，分享了一篇关于多任务学习的文章：多任务学习MTL模型：MMoE、PLE，同样的还有关于多任务学习中的多目标loss优化策略。这篇文章则开始一个与多任务学习有着紧密联系的系列：多场景建模学习。前言首先，讲一下多任务学习和多场景建模的区别：多任务学习通常是聚焦于单独一个domain（场景、领域）内的不同任务的处理，即不同任务的label空间是不同的；而多场景建模则是关注于多个do

Recommender ~ Collaborative filtering

Using per-item features User j 预测 movie i： Cost Function: 仅求和用户投票过的电影。常规规范化（usual normalization）：1/2m 正则化项：阻止过拟合在知晓X的前提下，如何学习w，b参数： Collaborative filtering algorithm Problem motivation 给定

推荐系统介绍:(协同过滤)—Intro to Recommender Systems: Collaborative Filtering

本文试验前期准备： MovieLens ml-100k数据集Jupyter notebookthemoviedb.org API key 本文试验内容翻译自：http://blog.ethanrosenthal.com/2015/11/02/intro-to-collaborative-filtering/ 添加python引用 import numpy as npimpo

关于推荐系统中的冷启动问题探讨(Approaching the Cold Start Problem in Recommender Systems)

本文翻译自： https://medium.com/@InDataLabs/approaching-the-cold-start-problem-in-recommender-systems-e225e0084970#.nic6ab24z 　　在之前的一篇文章中我们已经讨论过了机器学习在推荐系统中的应用，现在我们把注意力转移到移动应用、电子商务平台、搜索引擎和其他必须面对推荐系统冷启动的问

大数据背后的推荐系统(Big Data Behind Recommender Systems)

本文翻译自： https://indatalabs.com/blog/data-science/big-data-behind-recommender-systems 原作者：Valeryia Shchutskaya 　　无论你的工作是否为用户体验、在线战略、移动战略、市场或者其他任何影响用户组织的一部分负责过，你肯定已经知道了一些被用来提供个性化内容的推荐技术。　　推荐系统是大数据

吴恩达机器学习笔记：第 9 周-16推荐系统(Recommender Systems) 16.3-16.4

目录第 9 周 16、推荐系统(Recommender Systems)16.3 协同过滤16.4 协同过滤算法第 9 周 16、推荐系统(Recommender Systems) 16.3 协同过滤在之前的基于内容的推荐系统中，对于每一部电影，我们都掌握了可用的特征，使用这些特征训练出了每一个用户的参数。相反地，如果我们拥有用户的参数，我们可以学习得出电影的特征。

吴恩达机器学习笔记：第 9 周-16推荐系统(Recommender Systems) 16.5-16.6

目录第 9 周 16、推荐系统(Recommender Systems)16.5 向量化：低秩矩阵分解16.6 推行工作上的细节：均值归一化第 9 周 16、推荐系统(Recommender Systems) 16.5 向量化：低秩矩阵分解在上几节视频中，我们谈到了协同过滤算法，本节视频中我将会讲到有关该算法的向量化实现，以及说说有关该算法你可以做的其他事情。举

Andrew Ng机器学习week9(Anomaly Detection and Recommender Systems)编程习题

Andrew Ng机器学习week9(Anomaly Detection and Recommender Systems)编程习题 estimateGaussian.m function [mu sigma2] = estimateGaussian(X)%ESTIMATEGAUSSIAN This function estimates the parameters of a %Gaussi

吴恩达机器学习-实践实验室：协同过滤推荐系统（Collaborative Filtering Recommender Systems）

在本练习中，您将实现协作过滤，以构建电影推荐系统。文章目录 1-概念2-推荐系统3-电影评分数据集4-协作过滤学习算法4.1协同过滤成本函数 5-学习电影推荐6-建议7-祝贺软件包我们将使用现在熟悉的NumPy和Tensorflow软件包。 import numpy as npimport tensorflow as tffrom tensorflow impo

【GCN】: Graph Convolutional Neural Networks for Web-Scale Recommender Systems

最近看了“Graph Convolutional Neural Networks for Web-Scale Recommender Systems”这篇文章，是Pinterest将GCN成功应用在大规模真实场景的论文，唯一可惜的是没有公开源码。论文下载地址：https://arxiv.org/pdf/1806.01973 论文包含了理论创新和实际落地实现中的一些工程优化。这里对算法理论这块

中科大+快手出品 CIRS: Bursting Filter Bubbles by Counterfactual Interactive Recommender System 代码解析

文章目录前言论文介绍：代码介绍：代码：一. CIRS-UserModel-kuaishou.py0. get_args() 解析参数1. create_dir()2. Prepare Envs2.1 load_mat()加载矩阵2.2 gym.make( ) 3. Prepare dataset3.1 load_dataset_kuaishou() 加载数据集3.1.1 构造Sparse

快手+何向南团队最新论文Counterfactual Interactive Recommender System ，反事实推理融入离线强化学习，解决filter bubble/信息茧房问题

论文名：CIRS: Bursting Filter Bubbles by Counterfactual Interactive Recommender System 目录链接1. 相关背景1.1 核心思想 2. 实证分析3. 方法3.1 基本思想3.2 User Model3.2 State Tracker3.3 RL agent3.3 Real Environment3.4 因果模型

DEAR: Deep Reinforcement Learning for Online Advertising Impression in Recommender Systems

文章目录总结细节实验总结 dqn，在线学习细节由DQN判断是否应该在推荐序列中加入广告，并且给出最佳广告、广告出现的最佳位置 states: 用户的推荐历史和广告历史，contexutal info等 action: a t = ( a t a d , a t l o c ) a_t = (a_t^{ad}, a_t^{loc}) at=(atad,atloc

Revisit Recommender System in the Permutation Prospective

总结提出permutation概念，rnn做rank 细节 user emb和item emb 考虑稀疏特征+稠密特征 permutation-matching offline: 2个模型，分别预测ctr以及next score(是否继续阅览)，不共享参数的dnn online: 改进的beam search permutation-rank offline: bi-lstm + ml

coursera Machine Learning 第九周测验quiz2答案解析 Recommender Systems

1.选择：BD 解析：A的k没看懂是什么，前面求和积的明明是j，i，故错误。C为什么要减去r，所以错误。 2.选择：AD 解析：协同过滤最适合做相似度、推荐等情形，但是不能预测销售数量，故除了BC都对 3.选择：B 解析：应该先进行均值归一化然后再对数据进行处理，故选择B 4.选择：AB 解析：AB课程讲的，C与B矛盾，在没有同时解决x和theta

推荐系统（Recommender System）笔记 05：推荐系统的评估

推荐系统（Recommender System）05：推荐系统的评估离线评估方法与基本评价指标离线评估的主要方法Holdout 检验交叉验证 (Cross Validation)自助法 (Bootstrap) 离线评估的指标准确率 (Accuracy)正确率 (Precision) 和召回率 (Recall)均方根误差 (RMSE)对数损失函数 (LogLoss) 直接评估推荐序列的离线

Reinforcement Learning to Optimize Long-term User Engagement in Recommender Systems

强化学习可优化推荐系统中的长期用户参与度摘要CCS概念关键词ACM参考格式： 1 介绍2 相关工作2.1 传统推荐系统2.2 基于强化学习的推荐系统 3 问题公式化3.1 提要流建议3.2 提要流的MDP配方3.3用户参与和奖励功能 4推荐系统的政策学习4.1 Q网络4.1.1原始行为嵌入层4.1.2分层行为层4.1.3 Q值层 4.2 oﬀ政策学习任务4.3模拟器学习 5模拟研究5.1设

【论文笔记】Graph Neural Networks for Recommender Systems: Challenges, Methods, and Directions

文章链接：https://arxiv.org/pdf/2109.12843.pdf 本文是清华李勇和中科大何向南组最新的推荐中GNN综述推荐系统的发展历程浅层模型早期的推荐模型主要通过计算交互的相似度来捕获协同信号，之后随着Netflix比赛中矩阵分解模型的大放异彩，推荐系统被转化为表示学习问题。神经网络模型浅层的模型不足以建模复杂的用户行为和大量数据输入，以神经协同过滤N

【论文整理】基于图神经网络的序列推荐模型整理Graph Neural Networks for Recommender Systems: Challenges, Methods, and Direct

序列推荐发展历程对于序列推荐，为了提高推荐性能，需要从序列中提取尽可能多的有效信息，并了解用户在序列中的兴趣，包括短期兴趣、长期兴趣、动态兴趣等，以便准确预测用户可能感兴趣的下一个项目。已经使用了一些序列建模工具，如马尔可夫链或递归神经网络GNN。对于图神经网络，通过将数据转换为图，它可以很好地用于短期、动态的兴趣建模或表示学习。使用GNN进行序列建模的一般模式。 SURGE将每个用户的序列

$【论文阅读】MATRIX FACTORIZATION TECHNIQUES FOR RECOMMENDER SYSTEMS$