个性化推荐算法实战入门必修课_技术问答

首页免费课个性化推荐算法实战入门必修课问答

个性化推荐算法实战入门必修课

                
                David
            算法工程师

                    查看讲师更多课程 
                    David讲师的其他课程
                
个性化推荐算法实战（可用于毕设）  BAT大牛亲授 
实战·中级·834

                                                                                                                                    ￥119.00
                                            
                难度中级
            
                时长 2小时24分
            
                学习人数
            
综合评分9.37
                            14人评价
                        查看评价
                                9.4
                                内容实用
                            
                                9.1
                                简洁易懂
                            
                                9.6
                                逻辑清晰

全部评论问答未解决精华

qq_慕勒4303412

总点击次数为啥是相乘而不是相加

0 3-3 itemcf基础部分代码实战-下

2019-01-22

方便po出源码，希望可以多多的研究

最新回答 / David

您好，根据慕课网的规定，好像免费课不能提供，非常遗憾。不过你可以对着屏幕敲一下。没多少。谢谢。

1 回答 1060 浏览 3-6 usercf基础部分代码实战-上

2019-01-21

unhashable type: 'slice'

已采纳回答 / David

print type( sim_info[itemid])。debug一下。

1 回答 4883 浏览 3-3 itemcf基础部分代码实战-下

2019-01-20

itemcf在usercf的选择

最新回答 / David

这个根据你自己的用户量级，用户量级不大的情况下，usercf。用户量级太大的话 usercf需要工程技巧比较大。

1 回答 1169 浏览 3-5 itemcf公式升级代码实战-下

2019-01-20

这里的s(j,k)应该是s(i,k)吧

最新回答 / AJR

辛亏你自问自答了这个问题，我刚才还在想这个s(i,k)表示的是什么意思呢?

3 回答 1335 浏览 2-1 itemcf的理论部分与理论升级

2019-01-14

注释部分问题

已采纳回答 / David

我是让大家看懂这个数据结构，我难道还得穷举出来吗？真实系统itemid 好几百万，我光列这个itemid 就用好几页？

2 回答 1302 浏览 3-1 数据集介绍与公共信息抽取函数代码实战_x264

2019-01-14

笛卡尔乘积计算量大

最新回答 / David

当user达到千万级别，不管item量级是不是千万都选 itemcf。因为item 可以做初步的剪枝，比如非同类别不计算等等控制计算量。

1 回答 1336 浏览

2019-01-11

David

关于weixin_189560说的，offline的评价方法，你说哪里说不通，你说出来，我们交流一下。

2019-01-09

David

weixin_189560的评论，我回复一下（说什么交叉验证这一条），个性化召回算法，不是监督学习，不需要也没法用所谓的召回和准确率评价。学以致用就是告诉我们在什么场景解决什么问题，用什么算法用什么模型，同样也是用什么指标来评价。不是所有的一涉及算法或者机器学习，就交叉验证，这里是算法生产，都不是监督学习，你交叉验证的意义是啥，毫无意义。

2019-01-09

慕少0472972

根据老师的算法，用该数据集测试，十折交叉验证，准确率和召回率分别为0.030和0.057，可以用惨不忍睹来形容了，但是就算结果不好，老师也应当将一些评估的算法实现一下以供大家参考才对

2 5-1 总结与展望

2019-01-07

慕少0472972

关于offline的评价方法，老师的原话是这样的：“已知某种算法给用户A推荐出了物品a、b以及d，又得到用户A在测试集上有过物品a、b、f、还有m的展现，这个时候我们发现推荐出来的结果a、b和用户真实的在测试集上的展现有重合，即a、b，这个重合就是评价的分母，用户A在测试集上点击过物品a和物品f，推荐的结果和用户A在测试集上的点击a、f有重合，这个重合a就是分母，所以整体点击率的表现就是1/2，也即是50%.”，会发现很多地方都有点说不通

3 4-1 个性化推荐召回算法的离线在线评估方法

2019-01-06