你将收获

理解推荐系统和CTR预估任务中的数据特点；

理解协同过滤思想；

运用FTRL和FM/FFM模型解决实际问题。

适用人群

有一定数学和计算机编程基础，希望掌握推荐系统相关知识的学员。

课程介绍

本章介绍推荐系统相关的知识

课程目录

讨论留言

正在加载中...

同学笔记

  • qq_33209827 2020-05-09 18:35:24

    来源：Wide and Deep Learning模型 查看详情

     

     

  • sinat_41475087 2020-03-06 23:44:48

    来源：FM与FFM 查看详情

    fm：对与样本做onehot后，样本特征非常稀疏，通过交叉特征来获取更多特征，增加了有效的区分。

     

    ffm：将原始的特征看为一个field，onehot再交叉，同时交叉的时候，不同的field之间的特征也要交叉。获得更多的特征，更多的有效的区分。

     

  • sinat_41475087 2020-03-02 23:50:45

    来源：CTR预估简介 查看详情

    对各种协同过滤等方法推荐到的物品，由于评估标准，分数不同，需要重新排序。此时就可以根据点击率来，即ctr预估。

    通过训练模型预测得到物品是否会被点击，以及分数。

     

    auc曲线，真阳/假阳  不太会因为正负样本的比例变化。

没有更多了

推荐

达观数据个性化推荐系统实践

5节课 1640人学习

第二章 协同过滤算法实战与优化

8节课 633人学习

算法工程师（机器学习）面试经验谈：以个性化推荐算法为例

1节课 2776人学习

推荐系统实战——猜你喜欢推荐系统

7节课 2653人学习

第五章：推荐系统（下）

7节课 892人学习

第五章：推荐系统（上）

8节课 1450人学习