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://www.kaggle.com/b...
IP属地：湖南
-
7_基于wide&deep的推荐（预测）方法 -
-
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： { userA:{itema:...
-
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。用户的行为序列可转换成物品组成的句子，将这...
-
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，5000为样本数，前20维是样本...
-
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之前也从没见过物品 g ，那么，...
-
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，我们将啤酒推荐给他。这里我们...
-
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就实现了计算，并没有像机器学习...
-
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文所述的user_pre，us...
-
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user_dict，该字典的键为各...
-
1.1_用户偏好的计算
计算用户偏好，也即计算前文所述的这些系数。 假设用户历史评分文件是一个 m 乘 n 的矩阵R，其中 m 表示用户的个数。R中某些位置的值为空，意味着对应的用户与物品之间没产生...
-
1_基于内容的推荐方法
1 直观描述 对于物品集，它们有很多共同的属性（只是各个物品在属性上的取值不同）。以电影为例，属性可以有①中国②美国③武侠片④战争片⑤爱情片……等等（注意此处的属性要具体化，...
