IP属地：湖南
-
7_基于wide&deep的推荐（预测）方法wide&deep模型的原理就不再具体介绍了。 本文，我们基于该模型实现对电信客户数据集的电信客户流失预测，数据集下载地址为：https://w...
-
6_基于二部图的personal rank推荐方法
用户行为很容易表示为以用户和物品为顶点的二部图。 假设我们根据用户评分文件得到了一个字典形式表示的二部图graph。graph的具体结构如下： ...
-
5_基于word2vec方法的推荐(item2vec)
该方法借鉴word2vec中对单词进行embedding的思路，将单词替换成不同的物品，从而达到对物品进行embedding的效果。用户的行为序...
-
4_基于GBDT、LR的分类方法
推荐场景下的一些问题可以转化为分类问题，甚至是二分类问题。 GBDT是一种监督学习的方法。 假设我们有一个5000 X 21维的数组型训练集，5...
-
3_基于用户的协同过滤方法
1 直观描述 用户A有几个“关系很好”的朋友 B、C、D，通常B或C或D买了什么东西的话，A也要跟着买。昨天，B新买了一个物品 g ，而用户A之...
-
2_基于物品的协同过滤方法
1 直观描述 基于物品的协同过滤方法，简单来说就是：通过分析历史数据发现，很多人的购物清单里同时存在啤酒与尿布，那么，对于某一个购买了尿布的客户...
-
1.4_基于内容的方法的小结
1 属性的取值问题 对离散型的属性可进行独热编码，那么对连续型属性我们该如何处理呢？进行0-1标准化处理？ 2 计算过程 我们通过简单的加减乘除...
-
1.3_python实现用户与物品间距离的计算
这里我们定义一个函数 distance_user_item(user, item)，并采用余弦相似度来衡量用户与物品的距离。假设我们已经得到了前...
-
1.2_python实现1.1中的用户偏好计算
假设物品在各属性上的取值要么为 0，要么为 1。假设物品集的属性矩阵为 item_feature，并假设我们已基于用户评分矩阵得到了一个字典us...