赞
踩
http://datawhale.club/t/topic/198
faiss工具包一般使用在推荐系统中的向量召回部分。
faiss使用了PCA和PQ(Product quantization乘积量化)两种技术进行向量压缩和编码,当然还使用了其他的技术进行优化,但是PCA和PQ是其中最核心部分。
冷启动问题可以分成三类:文章冷启动,用户冷启动,系统冷启动
多路召回合并
多路召回合并就是将前面所有的召回策略得到的用户文章列表合并起来,下面是对前面所有召回结果的汇总
注意:
在做召回评估的时候就会发现有些召回的效果不错有些召回的效果很差,所以对每一路召回的结果,我们可以认为的定义一些权重,来做最终的相似度融合
http://datawhale.club/t/topic/201
基于原始的给定数据, 如下特征可以直接利用:
上面这些直接可以用的特征, 待做完特征工程之后, 直接就可以根据article_id或者是user_id把这些特征加入进去。 但是我们需要先基于召回的结果, 构造一些特征,然后制作标签,形成一个监督学习的数据集。
构造监督数据集的思路,
构造特征的思路是这样, 我们知道每个用户的点击文章是与其历史点击的文章信息是有很大关联的, 比如同一个主题, 相似等等。 所以特征构造这块很重要的一系列特征是要结合用户的历史点击文章信息。
我们已经得到了每个用户及点击候选文章的两列的一个数据集, 而我们的目的是要预测最后一次点击的文章,
所以我们就可以对于每个候选文章, 做出与最后几次点击相关的特征如下:
当然, 上面只是提供了一种基于用户历史行为做特征工程的思路,还可以一些其他的特征。 下面我们就实现上面的这些特征的制作, 下面的逻辑是这样:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。