随笔分类 -  深度学习推荐系统实战

各个二分类的指标
摘要：https://blog.csdn.net/u013185349/article/details/108761332 阅读全文
posted @ 2022-08-16 17:04 Marklong 阅读(13) 评论(0) 推荐(0)
sklearn中的roc_auc_score(多分类或二分类
摘要：https://blog.csdn.net/weixin_43469047/article/details/114705787?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~de 阅读全文
posted @ 2022-07-26 19:20 Marklong 阅读(167) 评论(0) 推荐(0)
计算auc
摘要：https://zhuanlan.zhihu.com/p/411010918?ivk_sa=1024320u 阅读全文
posted @ 2022-07-26 19:17 Marklong 阅读(15) 评论(0) 推荐(0)
07Graph Embedding
摘要：互联网中的图数据： 社交关系、知识图谱、行为关系图 基于图数据的 Graph Embedding 方法： 1基于随机游走的Graph Embedding 方法（注意：DeepWalk 的跳转概率就是跳转边的权重占所有相关出边权重之和的比例）： 2.同质性与结构性权衡的方法，Node2Vec: 同质性 阅读全文
posted @ 2021-01-02 16:24 Marklong 阅读(77) 评论(0) 推荐(0)
06Embedding简介
摘要：embedding：用一个数值向量表示一个对象的方法，主要用以表示对象之间的关系 重要性： 1.将高维稀疏特征转为低维稠密特征。 2.融合大量有价值的信息，表达能力强。 以下为word2vector的模型结构（输入词的 one-hot编码，拟合该词的muti-hot编码,利用反向传播，激活函数是so 阅读全文
posted @ 2021-01-02 15:55 Marklong 阅读(165) 评论(0) 推荐(0)
05Spark特征处理
摘要：Spark架构图如下： Spark 的计算过程：Stage内部数据高效并行计算，Stage边缘处进行消耗资源的shuffle或者reduce操作。 特征处理方法： 1.类别特征：one-hot编码 2.数值特征：归一化（不同类别特征权重不统一）与分桶（解决特征值分布不均与，过程：特征值高低排序->分 阅读全文
posted @ 2020-12-31 15:28 Marklong 阅读(121) 评论(0) 推荐(0)
04 推荐系统可用特征
摘要：下图是特征工程在推荐系统中的位置： 推荐系统常用的特征： 1.用户行为数据：显性反馈与隐性反馈（容易获得）。 2.用户关系数据：强关系（好友）和弱关系（有点关系）。 3.属性与特征数据：一般先用muti-hot编码，再进行embedding，目前业界大多先构建属性与主体之间的知识图谱，再进行embe 阅读全文
posted @ 2020-12-31 13:36 Marklong 阅读(146) 评论(0) 推荐(0)