文件名称：recommendationEngine:为期3个小时的研讨会，旨在了解深度学习推荐系统
文件大小：7.23MB
文件格式：ZIP
更新时间：2024-03-31 12:11:37
系统开源
推荐引擎 该研讨会向您介绍了开发推荐引擎的两种不同方法。 推荐引擎是广泛使用的机器学习解决方案，可根据过去的行为（例如购买历史）找到某人喜欢的商品。 我们都很熟悉Netflix根据您的观看记录和您对其他电影的评分推荐电影。 对于第一种方法，我们将深入研究如何通过使用Apache MXNet实现矩阵分解技术来构建这些推荐系统。 在第二种方法中，我们将利用SageMaker的内置算法Object2Vec。 对于这两个模型，我们将使用MovieLens数据集来构建我们的表示形式。 20M数据集由一个站点的电影评分组成，该站点将在对您的电影进行评分后预测您还会喜欢的其他电影。 MovieLens 20M数据集是来自〜13.8万名用户的〜27000部电影的〜2000万收视率样本。 评级范围从0.5到5星，以0.5星为增量。 方法1：实现深度矩阵分解 对于电影推荐的示例，输入采用矩阵的形式，其中行是
【文件预览】：
recommendationEngine-master
----images()
--------mf_matrix.png(31KB)
--------image_ml_rating.png(60KB)
--------mf_dmf_comparison.png(15KB)
--------embeddings.png(20KB)
--------embedding-layers.png(22KB)
--------mf_matrix_factors.png(109KB)
----README.md(7KB)
----Lab1 - Introduction to Factorization Machines()
--------.ipynb_checkpoints()
--------images()
--------README.md(5KB)
--------MXNet_Deep_Matrix_Factorization.ipynb(21KB)
----Lab2 - Introduction to Object2Vec()
--------.ipynb_checkpoints()
--------images()
--------ml-100k.zip(4.7MB)
--------object2vec_movie_recommendation.ipynb(29KB)
--------lambda_function_movie_retrieval.py(6KB)
--------jsonlines_Layers.zip(512KB)
--------lambda_function_rec_engine.py(1KB)
--------customutil.py(8KB)
--------README.md(12KB)