V
主页
召回03:基于用户的协同过滤(UserCF)
发布人
这节课介绍基于用户的召回(User Based Collaborative Filtering,缩写 UserCF)。 UserCF 的原理:如果用户1跟用户2相似,而且用户2喜欢某物品,那么用户1很可能喜欢该物品。 这节课的三个要点: 1. 如何计算两个用户之间的相似度。 2. 如何预估用户对候选物品的兴趣。 3. 如何利用索引在线上快速做召回。 课件地址: https://github.com/wangshusen/RecommenderSystem
打开封面
下载高清视频
观看高清视频
视频下载器
召回04:离散特征处理
召回01:基于物品的协同过滤(ItemCF)
物品冷启05:流量调控
行为序列01:用户历史行为序列建模
排序01:多目标模型
物品冷启03:聚类召回
召回02:Swing 模型
召回06:双塔模型——模型结构、训练方法
召回12:曝光过滤 & Bloom Filter
概要03:推荐系统的AB测试
物品冷启02:简单的召回通道
重排04:DPP 多样性算法(上)
排序02:Multi-gate Mixture-of-Experts (MMoE)
召回05:矩阵补充、最近邻查找
召回10:Deep Retrieval 召回
概要02:推荐系统的链路
重排03:业务规则约束下的多样性算法
【Spark+Hive】基于大数据酒店数据分析推荐系统—免费完整实战教学视频
特征交叉02:DCN 深度交叉网络
排序03:预估分数融合
概要04:搜索引擎的链路(查询词处理、召回、排序)
推荐系统涨指标的方法02:召回
召回09:双塔模型+自监督学习
召回08:双塔模型——线上服务、模型更新
物品冷启01:优化目标 & 评价指标
召回07:双塔模型——正负样本
物品冷启04:Look-Alike 召回
推荐系统涨指标的方法01:概述
推荐系统涨指标的方法04:多样性
特征交叉03:LHUC (PPNet)
排序05:排序模型的特征
推荐系统涨指标的方法06:交互行为(关注、转发、评论)
行为序列02:DIN模型(注意力机制)
特征交叉04:SENet 和 Bilinear 交叉
召回11:地理位置召回、作者召回、缓存召回
特征交叉01:Factorized Machine (FM) 因式分解机
重排05:DPP 多样性算法(下)
推荐系统涨指标的方法05:特殊用户人群
行为序列03:SIM模型(长序列建模)
【java毕设旅游网站】SpringBoot实战项目,整合了协同过滤推荐算法