Steffen Rendle于2010年提出Factorization Machines（下面简称FM），并发布开源工具libFM。 一、与其他模型的对比 与SVM相比，FM对特征之间的依赖关系用factorized parameters来表示。对于输入数据是非常稀疏（比如自动推荐系统），FM搞的定
分类：
其他好文 时间：
2016-03-08 21:06:52
阅读次数：
145
在上一篇博文中，我已经总结了几种主要的推荐方法，其中，基于内容和基于协同过滤是目前的主流算法，很多电子商务网站的推荐系统都是基于这两种算法的。基于内容在第一篇博文中已经详细介绍了，因此本博文主要是介绍基于协同过滤的个性化推荐系统。 协同过滤是一种基于一组兴趣相同的用户或项目进行的推荐，它根据邻居用户
分类：
其他好文 时间：
2016-03-05 21:49:55
阅读次数：
126
对于目前大规模的电子商务平台，如淘宝、ebey，其用户、商品数量都非常大。淘宝数据显示，2010年淘宝网注册用户达到3.7亿，在线商品数达到8亿，最多的时候每天6000万人访问淘宝网，平均每分钟出售4.8万件商品。假如我们要做User-Item的协同过滤算法，那么U-I矩阵大小是6000万 ×8亿。
分类：
其他好文 时间：
2016-03-05 21:47:42
阅读次数：
187
本文先从几何意义上对奇异值分解SVD进行简单介绍，然后分析了特征值分解与奇异值分解的区别与联系，最后用python实现将SVD应用于推荐系统。 1.SVD详解 SVD(singular value decomposition)，翻译成中文就是奇异值分解。SVD的用处有很多，比如：LSA（隐性语义分析
分类：
其他好文 时间：
2016-03-04 22:27:46
阅读次数：
2422
来自于：Joseph A. Konstan & John Riedl 推荐系统还有另外两大特点，也对你最终看到的推荐结果有着显著的影响：第一，在弄清楚你和其他购物者的相似度有多高之前，推荐系统必须先弄明白你真正喜欢什么；第二，推荐系统依照一组商业规则运行，以确保推荐结果既让你觉得有用，也使商家有利可
分类：
其他好文 时间：
2016-02-29 15:59:13
阅读次数：
214
最近这两年推荐系统特别火，本文搜集整理了一些比较好的开源推荐系统，即有轻量级的适用于做研究的SVDFeature、LibMF、LibFM等，也有重量级的适用于工业系统的Mahout、Oryx、EasyRecd等，供大家参考。PS：这里的top 10仅代表个人观点。 #1.SVDFeature 主页：
分类：
其他好文 时间：
2016-02-26 13:50:14
阅读次数：
219
GBDT(Gradient Boosting Decision Tree)算法参考：http://blog.csdn.net/dark_scope/article/details/24863289 理解机器学习算法：http://blog.csdn.net/dark_scope/article/de
分类：
编程语言 时间：
2016-02-22 22:13:11
阅读次数：
1433
在网上购物，听歌，看电影的网站上，网站都会根据我们的购物记录，听歌记录或着是观看记录给我们推荐一些商品，音乐或者是电影。那这些推荐系统是怎么实现的呢？首先，推荐一个东西，得是购物者所感兴趣的，那么怎么判断购物者对该物品感兴趣呢？那么，就得根据购物者的记录来判断了，假定购物者所购买的物品都是他所感兴趣
分类：
其他好文 时间：
2016-02-17 18:52:02
阅读次数：
177
3.1 冷启动问题简介 主要分三类： 1.用户冷启动：如何给新用户做个性化推荐。 2.物品冷启动：如何将新的物品推荐给可能对它感兴趣的用户这一问题。 3.系统冷启动：如何在一个新开发的网站上设计个性化推荐系统。 解决方案： 1.提供非个性化的推荐：热门排行榜，当用户数据收集到一定的时候，再切换为个性
分类：
其他好文 时间：
2016-01-29 15:58:27
阅读次数：
439
