0
推荐
2759
阅读
推荐系统遇上深度学习(十二)--推荐系统中的EE问题及基本Bandit算法
1、推荐系统中的EE问题Exploration and Exploitation(EE问题，探索与开发)是计算广告和推荐系统里常见的一个问题，为什么会有EE问题？简单来说，是为了平衡推荐系统的准确性和多样性。EE问题中的Exploitation就是：对用户比较确定的兴趣，当然要利用开采迎合，好比说已经挣到的钱，当然要花；而exploration就是：光对着...
2
推荐
2825
阅读
Spark作业基本运行原理解析！
1、基本原理Spark作业的运行基本原理如下图所示：我们使用spark-submit提交一个Spark作业之后，这个作业就会启动一个对应的Driver进程。提交作业的节点称为Master节点，Driver进程就是开始执行你Spark程序的那个Main函数（Driver进程不一定在Master节点上）。根据你使用的部署模式（deploy-mode）不同，Driver进程可能在...
1
推荐
3428
阅读
使用Tensorflow的DataSet和Iterator读取数据！
今天在写NCF代码的时候，发现网络上的代码有一种新的数据读取方式，这里将对应的片段剪出来给大家分享下。NCF的文章参考：https://www.jianshu.com/p/6173dbde4f53原始数据我们的原始数据保存在npy文件中，是一个字典类型，有三个key，分别是user，item和label：data = np.load('data/test_data.npy').item()
print(type...
0
推荐
2618
阅读
推荐系统遇上深度学习(十一)--神经协同过滤NCF原理及实战
好久没更新该系列了，最近看到了一篇关于神经协同过滤的论文，感觉还不错，跟大家分享下。论文地址：https://www.comp.nus.edu.sg/~xiangnan/papers/ncf.pdf1、Neural Collaborative Filtering1.1 背景本文讨论的主要是隐性反馈协同过滤解决方案，先来明确两个概念：显性反馈和隐性反馈：显性反馈行为包括用户明确表示对...
0
推荐
2174
阅读
L1正则化及推导
想必大家对L1正则化已经是再熟悉不过了，而且大家也都知道L1正则化是可以得到稀疏解的，即具有特征选择的功能。本文就从几何和数学两个角度来复习以下L1正则化。1、L1正则化大部分的正则化方法是在经验损失的基础上增加一个结构化损失，用来限制模型的学习能力，提升模型的泛化能力。L1正则化方法即在经验损失的基础上增...
1
推荐
2339
阅读
拟牛顿法面面俱到(一)--牛顿插值法
这次带来的是拟牛顿法系列，本系列的目标是完全理解拟牛顿法，包括其中涉及到的知识，比如泰勒公式、海森矩阵等，泰勒公式大家都很熟悉，不过它是怎么推导出来的呢？想必大家都不是很了解吧，这要从牛顿插值法说起，本节就先来讲解一下牛顿插值法。本文大都参考自知乎：https://www.zhihu.com/question/223204081、什么...
1
推荐
2709
阅读
推荐系统遇上深度学习(十)--GBDT+LR融合方案实战
推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践:https://www.jianshu.com/p/781cde3d5f3d推荐系统遇上深度学习(三)--DeepFM模型理论和实践：https://www.jianshu.com/p/6f1c2643d31b推荐系统遇上深度学习(...
2
推荐
2724
阅读
推荐系统遇上深度学习(九)--评价指标AUC原理及实践
推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践:https://www.jianshu.com/p/781cde3d5f3d推荐系统遇上深度学习(三)--DeepFM模型理论和实践：https://www.jianshu.com/p/6f1c2643d31b推荐系统遇上深度学习(...
1
推荐
2628
阅读
TensorFlow 和 NumPy 的 Broadcasting 机制探秘
在使用Tensorflow的过程中，我们经常遇到数组形状不同的情况，但有时候发现二者还能进行加减乘除的运算，在这背后，其实是Tensorflow的broadcast即广播机制帮了大忙。而Tensorflow中的广播机制其实是效仿的numpy中的广播机制。本篇，我们就来一同研究下numpy和Tensorflow中的广播机制。1、numpy广播原理1.1 数组和标量计...
2
推荐
3262
阅读
推荐系统遇上深度学习(八)--AFM模型理论和实践
推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践:https://www.jianshu.com/p/781cde3d5f3d推荐系统遇上深度学习(三)--DeepFM模型理论和实践：https://www.jianshu.com/p/6f1c2643d31b推荐系统遇上深度学习(...
0
推荐
2371
阅读
推荐系统遇上深度学习(七)--NFM模型理论和实践
推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践:https://www.jianshu.com/p/781cde3d5f3d推荐系统遇上深度学习(三)--DeepFM模型理论和实践：https://www.jianshu.com/p/6f1c2643d31b推荐系统遇上深度学习(...
1
推荐
2440
阅读
推荐系统遇上深度学习(六)--PNN模型理论和实践
推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践:https://www.jianshu.com/p/781cde3d5f3d推荐系统遇上深度学习(三)--DeepFM模型理论和实践：https://www.jianshu.com/p/6f1c2643d31b推荐系统遇上深度学习(...
2
推荐
3230
阅读
推荐系统遇上深度学习(五)--Deep&Cross Network模型理论和实践
推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践:https://www.jianshu.com/p/781cde3d5f3d推荐系统遇上深度学习(三)--DeepFM模型理论和实践：https://www.jianshu.com/p/6f1c2643d31b推荐系统遇上深度学习(...
0
推荐
5010
阅读
推荐系统遇上深度学习(四)--多值离散特征的embedding解决方案
推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践:https://www.jianshu.com/p/781cde3d5f3d推荐系统遇上深度学习(三)--DeepFM模型理论和实践：https://www.jianshu.com/p/6f1c2643d31b1、背景在本系列第三篇...
0
推荐
7048
阅读
推荐系统遇上深度学习(三)--DeepFM模型理论和实践
推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践:https://www.jianshu.com/p/781cde3d5f3d1、背景特征组合的挑战对于一个基于CTR预估的推荐系统，最重要的是学习到用户点击行为背后隐含的特征组合。在不同...