rss 推荐阅读 wap

智能在线 - 人工智能科技聚合推荐平台

热门关键词:  as  test  xxx  云南  请输入关键词
首页 今日推荐 人工智能 手机电脑 信息发展 数码科技 环保节能 系统研究 互联天下 航天通信 创新创业

推荐系统:算法概述

发布时间:2020-05-23 14:39:29 已有: 人阅读

  如今,许多公司都会开发与自己业务息息相关的推荐系统。先荐作为第四范式研发的一款智能推荐产品,已为内容行业的众多媒体客户赋能,实现客户的营收增长。在本文中,我们将会简要介绍现有的主要推荐算法及其工作原理。

  协同过滤(CF)是最常用的推荐算法之一,即使推荐系统小白也可以轻松上手,用它来构建属于自己的个人电影推荐系统。

  当我们想向用户推荐某些内容时,最合乎逻辑的做法是找到与这个用户兴趣相似的其他用户,分析他们的行为,然后向我们的用户推荐相同的物品。或者我们可以查看用户的历史行为,推荐与它们类似的物品。

  以上就是CF中的两种基本方法:基于用户(user-based)的协同过滤和基于项目(item-based)的协同过滤。

  其次,假设要比较Bill和Jane这两位用户,从图中可以看到,用户Bill没有看过《泰坦尼克号》,用户Jane也没看过《蝙蝠侠》,所以我们只能通过《星球大战》来测量二者之间的相似性。至于相似性,一般会采用余弦相似性或用户/项目矢量之间的相关性来测量。

  另一种方法是使用矩阵分解,这种推荐算法相对更“优雅”。一般来说,当涉及到矩阵分解时,不会过多考虑哪些项目将保留在结果矩阵的列和行中。使用这种推荐算法,我们可以看到,u是第i个用户的兴趣向量,v是第j部电影的参数向量。

  因此,可以把u和v的点积近似为x(从第i个用户到第j个电影的等级),用已知的分数构建向量并用它们来预测未知等级。

  例如,在矩阵分解后,我们得到用户Ted的矢量(1.4, 0.9)和电影A的矢量(1.4, 0.8),之后只要计算矢量(1.4, 0.9)和(1.4, 0.8)的点积,就能得到A-Ted的等级,结果是2.68。

  以前的推荐算法相当简单,这样的算法通常适用于小型的推荐系统。那么想象一下,我们正在建一个大型推荐系统,在这个系统中,协同过滤和矩阵分解会花很长时间。这时候我们应该做的第一件事就是聚类。

  在数据足够多的时候,最好使用聚类作为协同过滤中缩小相关选择的第一步。除此此外,聚类还可以改善复杂推荐系统的性能。

  每个群集分别代表一类典型的用户,基于用户群集中用户的兴趣画像,群集中的用户也会收到对应的推荐结果。

  在过去的10年中,神经网络技术取得了巨大的进步。现在,神经网络被广泛地应用于各个领域,并逐渐取代传统的ML方法。接下来我们就分析一下YouTube是如何使用深度学习方法的。

  毫无疑问,由于用户规模大、动态语料库和各种不可控的外部因素,为这样的业务场景搭建推荐系统是一项非常具有挑战性的任务。

  将用户的历史事件作为输入,通过候选生成网络显著减少视频量,然后从大型语料库中创建一组最相关的视频。

  生成的候选者与用户相关性最高,之后预测候选者的等级。该网络的目的是通过协同过滤提供个性化推荐。

  在此步骤中会有少量与用户相似的候选者。接下来我们需要越加仔细地分析这些候选者,以便做出最好的决策——该任务由排序网络完成。

  排序网络可以根据目标函数为每个视频打分,该目标函数使用的是描述视频的数据和与用户行为相关的信息。打分最高的视频会按分数排序,呈现给用户。

  经过以上这两个步骤,我们可以实现把庞大的视频集精准推荐给用户的操作,同时确保少数视频仍是个性化推荐。

  本账号为第四范式智能推荐产品先荐的官方账号。账号立足于计算机领域,特别是人工智能相关的前沿研究,旨在把更多与人工智能相关的知识分享给公众,从专业的角度促进公众对人工智能的理解;同时也希望为人工智能相关人员提供一个讨论、交流、学习的开放平台,从而早日让每个人都享受到人工智能创造的价值。

最火资讯

首页 | 今日推荐 | 人工智能 | 手机电脑 | 信息发展 | 数码科技 | 环保节能 | 系统研究 | 互联天下 | 航天通信 |免责声明

Copyright2008-2022 智能在线 www.chinaznews.com 版权所有 业务QQ:17468920 Power by DedeCms

电脑版 | wap