亚洲在线久爱草,狠狠天天香蕉网,天天搞日日干久草,伊人亚洲日本欧美

為了賬號安全,請及時綁定郵箱和手機立即綁定

個性化推薦算法實戰入門必修課

難度中級
時長 2小時24分
學習人數
綜合評分9.37
14人評價 查看評價
9.4 內容實用
9.1 簡潔易懂
9.6 邏輯清晰

已采納回答 / David
您好,取了top幾個物品是由于有時效性,推薦過程中,我們不可能把用戶去年操作過的物品也拿過來做itemcf。因為隨著時間推移??赡茉缫呀洸幌矚g之前的物品了。所以召回過程中考慮到這一點。謝謝。

最贊回答 / qq_兜兜風_1
應該是ml-latest-small.zip,只有1M的這個文件,rating.csv里面的數據會有不同,應該是更新過,movies.csv文件的數據是一樣的

已采納回答 / David
您好,可以直接將兩種優化下的得分乘起來。公式的話就是在優化一的分子上乘f (delta T).

最新回答 / 張山
http://files.grouplens.org/datasets/movielens/ml-1m.zip

講師回答 / David
moive len數據集 開源的。您百度一下 下一下就可以。下一個小的。謝謝您的觀看。

已采納回答 / David
您好,我理解您所說的物品間相關性是穩定的是指的物品的屬性計算,比如我們兩個都是講宮斗的電視劇,兩個不同品牌但都是薯片的零食等等。我們這里cf得到的item sim矩陣是基于用戶的行為來體現的。用戶的興趣會隨時間變化。比如我一年之前喜歡籃球,我愛看科比。現在我喜歡綜藝,我愛看爸爸去哪兒。這兩個物品都被我行為過,如果不加時間衰減,那么我就給這倆物品的相似度計算過程中分子貢獻1,如果算了時間衰減,也許我的貢獻就是0.01.如果用戶中存在很多這樣的‘我’,不衰減豈不是 爸爸去哪兒 和科比成了很相似的。您理解一下看...

已采納回答 / David
我其實也不是高手,不過根據我的經驗,多看一些書,多實踐吧。希望能幫到你。加油。

已采納回答 / David
長尾這個說法是一個普遍說法,指的大量的物品被大部分所行為,而少量的物品從來就很少被行為。你可以百度一下這個概念。

已采納回答 / David
所有的item 的embeding。對是k近鄰。

已采納回答 / David
用了itemcf,是選擇用戶行為過的物品,每個物品對應選擇topk個相似給出推薦。就是上面這個公式。

講師回答 / David
你打一下 print type(sim_info[itemid]) 看一下是什么type。debug一下。

講師回答 / David
您好,是在recom_result 裝載之前需要判斷一下itemid_j 是否是tmp_dict的key。謝謝您的問題。原視頻代碼中好像這個地方有點問題。
課程須知
1、對高數公式的基本掌握,矩陣知識的大體了解。 2、對python編程語法的熟悉,常用數據結構的掌握。
老師告訴你能學到什么?
1. 工業界個性化推薦算法的主流程與個性化推薦召回算法的主落地架構。 2. 協同過濾的理論與代碼實戰。 3. 工業界對個性化推薦算法的在線離線評估。

微信掃碼,參與3人拼團

微信客服

購課補貼
聯系客服咨詢優惠詳情

幫助反饋 APP下載

慕課網APP
您的移動學習伙伴

公眾號

掃描二維碼
關注慕課網微信公眾號

友情提示:

您好,此課程屬于遷移課程,您已購買該課程,無需重復購買,感謝您對慕課網的支持!

本次提問將花費2個積分

你的積分不足,無法發表

為什么扣積分?

本次提問將花費2個積分

繼續發表請點擊 "確定"

為什么扣積分?

舉報

0/150
提交
取消