-
数据集介绍与公共信息抽取函数代码实战
Personal Recommendation Algorithm
查看全部 -
Usercf VS Itemcf
优缺点
推荐实时性：ucf，基于相似度用户矩阵完成推荐，自身改变，不会立即发生改变
itemcf，点击物品后会里面推荐出相似物品
新用户/新物品推荐：ucf，新来用户不会里面推荐，需要等到与其他相似用户建立联系后
新物品一旦被用户点击，可以通过相似用户矩阵，推荐给相似用户。
推荐理由可解释性
ucf，结果难解释
icf，推荐结果更令人信服
适用场景
性能层面考量
ucf：不适用于用户很多的场景，否则用户矩阵相似度计算代价太大
icf：适用于物品数远小于用户数的情况
个性化层面考量
ucf：个性化不强
icf：适用于个性化强的领域
查看全部 -
? 后面讲的是什么鬼呀？一头雾水
查看全部 -
工业界，常用召回架构方式
recall 召回
查看全部 -
召回架构 离线模型 推荐集合
查看全部 -
个性化推荐系统 RPC
召回 Match
排名 Rank
策略调整 Strategy
模型(召回, 排名) 规则 (策略调整)
召回是瓶颈
排名是关键
策略调整是优化
查看全部 -
推荐系统架构
查看全部 -
我很爱学习
查看全部 -
itemCF：实时、新用户、可解释，物品少于用户（实际），长尾个性
userCF：新物品，不适合用户多
查看全部 -
开始观看查看全部
-
数学基础查看全部
-
item_sim_score_sorted[itemid] = sorted(item_sim_score[itemid].iteritems(),key=operator.itemgetter(1),reverse=True)
查看全部
举报
0/150
提交
取消