文件名称：recommend-sys:主要记录推荐系统学习的过程
文件大小：757KB
文件格式：ZIP
更新时间：2024-03-31 11:54:51
系统开源
主要记录推荐系统学习的过程，包含相关的论文和代码。 1.点击率预测 GBDT + LR 论文： 本文发表于2014年，基于传统人工特征工程的思想，此处提出通过GBDT对特征进行组合，生成组合特征喂给LR分类模型，通过机器学习特征，提高模型的准确率。同时，还提出了不同模型不同更新周期的思想。最终，这里还提出了一些工程化的优化方法，某些在线学习方法，使用数据联接器，基于分布式架构将印象记录和单击记录进行联接。对于CTR预测场景正负样本不均衡的问题，使用了降采样的方法，包括uniform subsampling和negative downsampling 。 FM和FFM 博客： 简介原始文件，博客的推导过程更清晰简洁，易于理解，同时介绍了一些工程上的优化方法。 1.1并行FM 深度调频 论文： 本文发表于2017年。虽然FM和FFM可以将特征进行组合，但是由于复杂度的问题，一般只进行二阶
【文件预览】：
recommend-sys-master
----deep_learning()
--------03 DCN.ipynb(42KB)
--------utils()
--------00 process_data.ipynb(19KB)
--------02 tf FM & FFM.ipynb(96KB)
--------00 facets_test.ipynb(11.06MB)
--------02 xlearn FM & FFM.ipynb(48KB)
--------00 FM.ipynb(53KB)
--------08 NCF.ipynb(28KB)
--------01 GBDT + LR.ipynb(31KB)
--------05 PNN.ipynb(30KB)
--------00 test.ipynb(4KB)
--------06 NFM.ipynb(23KB)
--------07 AFM.ipynb(24KB)
--------04 wide & deep.ipynb(55KB)
----collaborative_filtering()
--------03 基于隐向量的模型.ipynb(15KB)
--------08 给用户推荐标签.ipynb(41KB)
--------06 利用物品内容信息.ipynb(15KB)
--------07 基于用户标签的推荐系统.ipynb(35KB)
--------04 基于随机游走的图模型.ipynb(14KB)
--------12 级联融合评分算法.ipynb(13KB)
--------10 为用户推荐好友.ipynb(22KB)
--------01 基于用户的协同过滤算法.ipynb(41KB)
--------09 基于时间上下文的信息推荐.ipynb(36KB)
--------05 利用用户注册信息.ipynb(33KB)
--------00 test.ipynb(6KB)
--------02 基于商品的协同过滤.ipynb(34KB)
--------11 评分预测算法.ipynb(15KB)
----README.md(6KB)