标签：11 20 推荐 用户 算法 2021 物品 模型 冷启动
人工智能基础总目录
推荐系统概述
一、AI 概述
机器学习的模型十大模型
1 分类算法
分类与回归在一起。
- C4.5，
- 朴素贝叶斯（Naive Bayes），
- SVM，
- KNN，
- Adaboost，
- CART
2 聚类算法
- K-Means
- EM
3 关联分析
从数据中挖掘关联的关系，组合。
- Apriori
4 连接分析
用来做排名等相关内容，源自于网页的排名（不仅限），网页影响力的计算方法。
- PageRank
5 python 相关算法包
Step1 引用工具包
Step2 数据预处理：方便后续处理
Step3 选择模型，比如CART决策树
Step4 训练模型（训练集）
Step5 模型评估（测试集）
深度学习的模型
神经网络不是一个新的概念，端到端的黑盒，可解释性较差，自适应完成特征提取。
1 深度学习的经典网络模型
1、卷积神经网络（CNN）
LeNet-5、AlexNet、VGG、GoogleNet、ResNet、DenseNet
2、 循环神经网络（RNN）
应用领域：机器翻译、情感分析等NLP领域
3、深度信念网络（DBN，Deep Belief Network）
2006年由Geoffreg Hinton（机器学习泰斗）提出，是一种生成模型，由多个受限玻尔兹曼机组成。
4、生成对抗网络（GAN）
对抗的双方分别为：判别模型和生成模型
5、深度强化学习（DRL）
四个基本组件组成：环境、代理、动作、反馈
2 深度学习框架
- Tensorflow, Keras, Paddle（百度）
- Tensorflow 2.0, 2019年发布，相比于1.0更加简洁
- Pytorch，Facebook开发，Python + Torch
尽量使用科学计算库，代替 Numpy，利用 GPUs
二、推荐系统概述
推荐系统是一种 信息过滤 系统，根据用户的历史行为、社交关系、兴趣点。算法可以判断用户当前感兴趣的物品或内容。实现每个人的界面不同，千人千面。
1.机器如何找到这些适合你的商品
1 推荐实现方法
- 1 Content-based Filtering （内容的标签）
最早人们使用的是基于内容的推荐方法，根据物品的属性为他们打上标签，再通过这些标签计算他们之间的相似度。 静态数据 - 2 Collaborative Filtering（协同过滤）
协同过滤就是通过数据找到与你相似的用户，通过他们的行为和他们喜欢的内容。为你推荐你可能感兴趣的物品或内容。 动态数据
2 收集数据
在推荐系统中，Using data重在“相似度”，Solve problems在于“推荐”。data可以是物品本身的，也可以是基于用户行为的。
- 物品信息
Content-based 基于物品本身的内容。 - 用户行为
显性反馈数据：用户明确表示对物品的喜欢行为：评分，喜欢，收藏，购买
隐性反馈数据：不能明确反映用户喜好的行为：浏览，停留时间，点击
3 协同过滤的思想
矩阵： 行 人 U1, U2; 列 物品I1, I2; 值为对物品的喜好程度。
行向量的相似度。
-
如何评判“相似”
User-based，两个人共同喜欢的东西越多，那么两个人就越相似
Item-based，两个物品共同喜欢的人越多，这两个物品就越相似 -
如何进行“推荐”
UserCF，和你兴趣相投的用户，推荐他们喜欢的商品
ItemCF，给用户推荐和他们之前喜欢的物品相似的物品
（ItemCF不利用物品的内容属性计算物品之间的相似度，主要通过分析用户的行为记录计算物品之间的相似度）
2.推荐系统的冷启动问题
用户冷启动：新用户来的时候，如何推荐
物品冷启动：新的物品，如何推荐
系统冷启动：新的网站上线，如何推荐
3 Exploit & Explore问题（利用与探索）
选餐厅：
Exploitation : 去最喜欢的餐厅。 充分利用已有的资源，信息茧房
（信息圈养）。
Exploration: 尝试新餐厅。 认知未知的世界。 准确率低。
3.1 Bandit算法解决冷启动
如果用户对推荐的某个Topic感兴趣，就代表获得了收益。否则就表示遗憾
“选择-观察-更新-选择”的循环，将收益最大化。 过几次试验，刻画出新用户心中对每个Topic的感兴趣概率。
目标是带来更多收益（累积收益最大化）
3.2 AlphaGo中的UCB算法
3 推荐系统架构
- A 数据源
item特征，用户画像，用户行为。 数据量大 - B 召回阶段
粗筛，得到候选物品集。简单数据量，后续计算复杂 - C 排序阶段
对多个召回通道的内容进行打分排序，选出最优的少量结果。兼顾推荐系统的多维度指标：覆盖率，多样性，新颖度。
标签：11,20,推荐,用户,算法,2021,物品,模型,冷启动 来源： https://blog.csdn.net/qq_21438267/article/details/121437945
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。