2 烟雨风渡

尚未进行身份认证

我要认证

研究生

等级
TA的排名 3w+

博文翻译:Tackling the Cold Start Problem in Recommender Systems

博文地址:Tackling the Cold Start Problem in Recommender Systems题目:Tackling the Cold Start Problem in Recommender Systems / 解决推荐系统中的冷启动问题作者:Kojin Oshiba当我在Wish进行机器学习实习时,我要解决推荐系统中的一个常见问题“冷启动推荐”。冷启动通常发生在新用户或新产品出现在电子商务平台时。传统的推荐方法如CF假定每个用户或产品有一些评分,因此我们可以推断.

2020-10-21 21:37:39

常用的Top-N产品推荐评估指标

Top-N产品推荐与传统的评分预测相比,更符合实际的业务需求,在对推荐算法产生的Top-K推荐列表进行评估时,有一些常用的指标,如Hit_Rate@k、Precision@k、Recall@k、Map@k、NDCG@k和MRR@k,下面基于Python实现这6种评估指标。主要参考了https://github.com/wubinzzu/NeuRec/blob/master/evaluator/backend/python/metric.py代码和示例如下:import numpy as np.

2020-10-19 20:14:07

论文阅读笔记:Low-rank Linear Cold-Start Recommendation from Social Data

论文:Low-rank Linear Cold-Start Recommendation from Social Data / 利用社交数据进行低秩线性冷启动推荐作者:Suvash Sedhain, Aditya Krishna Menon, Scott Sanner, Lexing Xie,Darius Braziunas发表刊物:AAAI发表年度:2017下载地址:http://cm.cecs.anu.edu.au/documents/loco-aaai17-final.pdf1、背景.

2020-10-16 11:21:46

论文阅读笔记:Social Collaborative Filtering for Cold-start Recommendations

论文:Social Collaborative Filtering for Cold-start Recommendations / 用户冷启动推荐的社会化协同过滤作者:Suvash Sedhain,Scott Sanner,Darius Braziunas,Lexing Xie,Jordan Christensen发表刊物:RecSys发表年度:2014下载地址:http://users.cecs.anu.edu.au/~ssanner/Papers/recsys14.pdf这篇文章研...

2020-10-15 11:44:26

论文阅读笔记:Learning Attribute-to-Feature Mappings for Cold-Start Recommendations

论文:Learning Attribute-to-Feature Mappings for Cold-Start Recommendations / 通过学习属性到特征的映射进行冷启动推荐作者:Zeno Gantner, Lucas Drumond, Christoph Freudenthaler, Steffen Rendle and Lars Schmidt-Thieme发表刊物:ICDM发表年度:2010下载地址:https://citeseerx.ist.psu.edu/viewdoc/do

2020-10-14 15:07:04

论文阅读笔记:Relational Learning via Collective Matrix Factorization

论文:Relational Learning via Collective Matrix Factorization / 通过协同矩阵分解进行关系学习作者:Ajit P. Singh,Geoffrey J. Gordon发表刊物:KDD发表年度:2008下载地址:https://doi.org/10.1145/1401890.1401969CMF模型是评分预测、冷启动推荐等推荐系统相关研究中经常对比的一个经典基线,其基本思想是在做关系学习任务时,可以利用与待预测的关系相关的其他关系数据来改进预.

2020-10-13 11:10:21

推荐系统冷启动问题

推荐系统冷启动问题是指:如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统,即在缺乏有价值数据时,如何进行有效的推荐的问题。...

2020-10-08 11:28:17

经典的冷启动推荐算法 / Cold-start Recommendation Baselines

持续更新...

2020-09-25 11:14:24

常用的冷启动推荐数据集 / Cold-Start Recommendation Dataset

持续更新...

2020-09-25 11:10:05

冷启动推荐的一般性建模流程

冷启动推荐旨在解决当系统中出现新用户或新产品时如何进行推荐的问题,相比于热启动用户或产品,冷启动用户或产品缺少用户-产品交互数据,因此用传统的热启动推荐方法往往不能解决这类问题。当前的冷启动推荐建模的主要思路是:通过学习映射函数将用户或产品的辅助信息表示转换为协同过滤表示。冷启动算法建模的示意图如下:注:图片取自Recommendation for New Users and New Items via Randomized Training and Mixture-of-Experts Trans

2020-09-23 15:14:01

论文阅读笔记:A Closer Look at Few-shot Classification

论文:A Closer Look at Few-shot Classification / 近距离观察小样本分类问题作者:Wei-Yu Chen,Y en-Cheng Liu & Zsolt Kira,Yu-Chiang Frank Wang,Jia-Bin Huang发表刊物:ICLR发表年度:2019下载地址:https://arxiv.org/pdf/1904.04232.pdfABSTRACT小样本分类旨在通过有限标记样例学习一个分类器来识别未知类,虽然近些年取得了一

2020-09-22 14:57:47

python使用t检验和F检验验证模型好坏

要在某个指标上对比两个模型的好坏,我们可以直接进行比较,同时为了使比较结果更具说服力,我们可以使用统计检验的方法,即将两个模型分别跑k次,使用t检验比较这两组k个样本的均值、使用F检验比较这两组k个样本的方差,均值越大、方差越小说明在当前指标上该模型更好更稳定(这里说的指标是正向指标)。那么下面我们以具体代码来进行说明。from scipy.stats import ttest_rel, fimport numpy as npx = [44.2, 36.1, 46.5, 40.7, 61.6,

2020-09-06 17:24:21

Python检验样本是否服从正态分布

在进行t检验、F检验之前,我们往往要求样本大致服从正态分布,下面介绍两种检验样本是否服从正态分布的方法。1 可视化我们可以通过将样本可视化,看一下样本的概率密度是否是正态分布来初步判断样本是否服从正态分布。代码如下:import numpy as npimport pandas as pdimport matplotlib.pyplot as plt# 使用pandas和numpy生成一组仿真数据s = pd.DataFrame(np.random.randn(500),colu

2020-09-06 16:41:10

Pytorch保存和加载模型的两种方式

与Tensorflow、Keras等框架一样,Pytorch也提供了两种保存模型的方式,这两种方式都是通过调用pickle序列化方法实现的:只保存模型参数 保存完整模型下面我们依次对这两种方式进行实现,以以下多层感知机模型为例:def create_net(): net = nn.Sequential() net.add_module('linear1', nn.Linear(15, 20)) net.add_module('relu1', nn.ReLU())

2020-08-20 19:58:38

torch.ones_like函数和torch.zero_like函数

torch.ones_like函数和torch.zero_like函数的基本功能是根据给定张量,生成与其形状相同的全1张量或全0张量,示例如下:input = torch.rand(2, 3)print(input)# 生成与input形状相同、元素全为1的张量a = torch.ones_like(input)print(a)# 生成与input形状相同、元素全为0的张量b = torch.zeros_like(input)print(b)效果如下:tensor([[0.08

2020-08-20 19:27:54

Pytorch中的torch.where函数

首先我们看一下Pytorch中torch.where函数是怎样定义的:@overloaddef where(condition: Tensor) -> Union[Tuple[Tensor, ...], List[Tensor]]: ...torch.where函数的功能如下:torch.where(condition, x, y):condition:判断条件x:若满足条件,则取x中元素y:若不满足条件,则取y中元素以具体实例看一下torch.where函数的效果:

2020-08-20 19:18:06

使用torchkeras打印Pytorch模型结构和基本参数信息

在使用Pytorch构建神经网络模型后,我们需要看一下自己写的模型的网络结构,此时可以使用torchkeras模块中的summary函数实现该功能。以多层感知机为例,首先我们构建网络结构并打印该模型的初步信息,代码如下:import torchfrom torch import nnfrom torchkeras import summarydef create_net(): net = nn.Sequential() net.add_module('linear1', nn

2020-08-20 18:23:04

pandas打印DataFrame的前几行、后几行样本和随机抽样

在使用pandas对结构化数据进行探索性分析时,我们经常需要打印几条样本出来看看数据读取和处理是否正确,除了用iloc函数以索引区间的方式读取,pandas为我们提供了更简单的head和tail函数,这两个函数的使用方法和效果如下。1、head函数pandas中的head函数的使用方法如下:import numpy as npimport pandas as pddf_data = pd.DataFrame(np.random.rand(10, 5))# 打印全体数据print(df

2020-08-20 17:59:23

使用python打印当前时间

在跑模型的时候,我们有时需要计算模型运行时间,此时我们需要获取到模型开始运行的时间以及模型结束运行的时间,以二者的差值作为模型的总运行时间。在python语言中,我们可以使用以下两种常用的方式获取当前时间。1、使用time模块代码如下:# 打印时间戳print(time.time()) # 打印自从1970年1月1日午夜(历元)经过了多长时间,以秒为单位# 打印本地时间print(time.localtime(time.time())) # 打印本地时间# 打印格式

2020-08-20 17:33:55

论文阅读笔记:From Zero-Shot Learning to Cold-Start Recommendation

论文:From Zero-Shot Learning to Cold-Start Recommendation / 从零样本学习到冷启动推荐作者:Jingjing Li, Mengmeng Jing, Ke Lu, Lei Zhu, Yang Yang, Zi Huang发表刊物:AAAI发表年度:2019下载地址:https://arxiv.org/abs/1906.08511Abstract零样本学习和冷启动推荐分别是计算机视觉和推荐系统中具有挑战性的研究问题,它们一般来各自的社区中被独

2020-08-17 19:26:28

查看更多

勋章 我的勋章
  • 签到新秀
    签到新秀
    累计签到获取,不积跬步,无以至千里,继续坚持!
  • 专栏达人
    专栏达人
    授予成功创建个人博客专栏的用户。专栏中添加五篇以上博文即可点亮!撰写博客专栏浓缩技术精华,专栏达人就是你!
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv3
    勤写标兵Lv3
    授予每个自然周发布7篇到8篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。