wide&deep模型的原理就不再具體介紹了。 本文，我們基于該模型實現(xiàn)對電信客戶數(shù)據(jù)集的電信客戶流失預(yù)測，數(shù)據(jù)集下載地址為：https://www.kaggle.com/b...
IP屬地：湖南
-
7_基于wide&deep的推薦（預(yù)測）方法 -
-
6_基于二部圖的personal rank推薦方法
用戶行為很容易表示為以用戶和物品為頂點的二部圖。 假設(shè)我們根據(jù)用戶評分文件得到了一個字典形式表示的二部圖graph。graph的具體結(jié)構(gòu)如下： { userA:{itema:...
-
5_基于word2vec方法的推薦(item2vec)
該方法借鑒word2vec中對單詞進行embedding的思路，將單詞替換成不同的物品，從而達到對物品進行embedding的效果。用戶的行為序列可轉(zhuǎn)換成物品組成的句子，將這...
-
4_基于GBDT、LR的分類方法
推薦場景下的一些問題可以轉(zhuǎn)化為分類問題，甚至是二分類問題。 GBDT是一種監(jiān)督學習的方法。 假設(shè)我們有一個5000 X 21維的數(shù)組型訓練集，5000為樣本數(shù)，前20維是樣本...
-
3_基于用戶的協(xié)同過濾方法
1 直觀描述 用戶A有幾個“關(guān)系很好”的朋友 B、C、D，通常B或C或D買了什么東西的話，A也要跟著買。昨天，B新買了一個物品 g ，而用戶A之前也從沒見過物品 g ，那么，...
-
2_基于物品的協(xié)同過濾方法
1 直觀描述 基于物品的協(xié)同過濾方法，簡單來說就是：通過分析歷史數(shù)據(jù)發(fā)現(xiàn)，很多人的購物清單里同時存在啤酒與尿布，那么，對于某一個購買了尿布的客戶，我們將啤酒推薦給他。這里我們...
-
1.4_基于內(nèi)容的方法的小結(jié)
1 屬性的取值問題 對離散型的屬性可進行獨熱編碼，那么對連續(xù)型屬性我們該如何處理呢？進行0-1標準化處理？ 2 計算過程 我們通過簡單的加減乘除就實現(xiàn)了計算，并沒有像機器學習...
-
1.3_python實現(xiàn)用戶與物品間距離的計算
這里我們定義一個函數(shù) distance_user_item(user, item)，并采用余弦相似度來衡量用戶與物品的距離。假設(shè)我們已經(jīng)得到了前文所述的user_pre，us...
-
1.2_python實現(xiàn)1.1中的用戶偏好計算
假設(shè)物品在各屬性上的取值要么為 0，要么為 1。假設(shè)物品集的屬性矩陣為 item_feature，并假設(shè)我們已基于用戶評分矩陣得到了一個字典user_dict，該字典的鍵為各...
-
1.1_用戶偏好的計算
計算用戶偏好，也即計算前文所述的這些系數(shù)。 假設(shè)用戶歷史評分文件是一個 m 乘 n 的矩陣R，其中 m 表示用戶的個數(shù)。R中某些位置的值為空，意味著對應(yīng)的用戶與物品之間沒產(chǎn)生...
-
1_基于內(nèi)容的推薦方法
1 直觀描述 對于物品集，它們有很多共同的屬性（只是各個物品在屬性上的取值不同）。以電影為例，屬性可以有①中國②美國③武俠片④戰(zhàn)爭片⑤愛情片……等等（注意此處的屬性要具體化，...