- 学习总结 第一步是导入 Spark 分割好的训练集和测试集。 第二步是在 TensorFlow 中设置评估指标，再在测试集上调用 model.evaluate 函数计算这些评估指标。这里使用了最常用的 ... 学习总结 第一步是导入 Spark 分割好的训练集和测试集。 第二步是在 TensorFlow 中设置评估指标，再在测试集上调用 model.evaluate 函数计算这些评估指标。这里使用了最常用的 ...
- 学习总结 （1）这次task的模型看似没啥新东西（embedding+MLP），但是对于tensorflow不熟悉，还有需要注意特征处理：类别型特征 Embedding 化，数值型特征直接输入 MLP。... 学习总结 （1）这次task的模型看似没啥新东西（embedding+MLP），但是对于tensorflow不熟悉，还有需要注意特征处理：类别型特征 Embedding 化，数值型特征直接输入 MLP。...
- 学习总结 （1）上一个task我们提到用embedding召回，快速过滤商品，缩小候选集。但是embedding相似度如果都用余弦计算，当数据量很大时计算量很大。所以提出用【局部敏感哈希LSH】解决高维... 学习总结 （1）上一个task我们提到用embedding召回，快速过滤商品，缩小候选集。但是embedding相似度如果都用余弦计算，当数据量很大时计算量很大。所以提出用【局部敏感哈希LSH】解决高维...
- 学习总结 YouTube推荐架构=召回层（多，快）+排序层（少，精）。候选集生成模型：用了Embedding MLP，注意最后的多分类的输出层，预测的是用户点击了“哪个”视频。线上服务时，需要从输出层提... 学习总结 YouTube推荐架构=召回层（多，快）+排序层（少，精）。候选集生成模型：用了Embedding MLP，注意最后的多分类的输出层，预测的是用户点击了“哪个”视频。线上服务时，需要从输出层提...
- 学习总结 （1）LREM将用于从列表 key 中删除前 count 个值等于 element 的元素。 这个 count 参数通过下面几种方式影响这个操作，如果count > 0， 从头到尾删除值... 学习总结 （1）LREM将用于从列表 key 中删除前 count 个值等于 element 的元素。 这个 count 参数通过下面几种方式影响这个操作，如果count > 0， 从头到尾删除值...
- 学习总结 协同过滤（Collaborative Filtering）及其衍生的模型，和深度学习推荐系统密切相关。 协同过滤：协同大家的反馈、评价和意见，对海量的信息进行过滤，从中筛选出用户感兴趣信息的一... 学习总结 协同过滤（Collaborative Filtering）及其衍生的模型，和深度学习推荐系统密切相关。 协同过滤：协同大家的反馈、评价和意见，对海量的信息进行过滤，从中筛选出用户感兴趣信息的一...
- 学习心得 （1）本次task学习了推荐系统中特征处理的主要方式，并利用 Spark 实践了类别型特征和数值型特征的主要处理方法，深度学习和传统机器学习的区别并不大，TensorFlow、PyTorch ... 学习心得 （1）本次task学习了推荐系统中特征处理的主要方式，并利用 Spark 实践了类别型特征和数值型特征的主要处理方法，深度学习和传统机器学习的区别并不大，TensorFlow、PyTorch ...
- 学习总结 （1）本次task学习Embedding中的Deep Walk和Node2vec算法，和Embedding在推荐系统的三种应用：直接应用、预训练应用和End2End训练应用。 （2）Deep ... 学习总结 （1）本次task学习Embedding中的Deep Walk和Node2vec算法，和Embedding在推荐系统的三种应用：直接应用、预训练应用和End2End训练应用。 （2）Deep ...
- 学习心得 （1）Word2vec 的研究中提出的模型结构、目标函数、负采样方法、负采样中的目标函数在后续的研究中被重复使用并被屡次优化。掌握 Word2vec 中的每一个细节成了研究 Embedding... 学习心得 （1）Word2vec 的研究中提出的模型结构、目标函数、负采样方法、负采样中的目标函数在后续的研究中被重复使用并被屡次优化。掌握 Word2vec 中的每一个细节成了研究 Embedding...
- 这个系列是学习王喆的【深度学习推荐系统实战】时做的笔记和自己的学习总结。 文章目录 零、一个栗子的引入一、学习目标和要求1.学习目标2.课前要求 二、课程体系1.基础架构篇2.特征工程篇3.线... 这个系列是学习王喆的【深度学习推荐系统实战】时做的笔记和自己的学习总结。 文章目录 零、一个栗子的引入一、学习目标和要求1.学习目标2.课前要求 二、课程体系1.基础架构篇2.特征工程篇3.线...
- 学习总结 本次task学习推荐系统的存储模块（遵循“分级存储”原则，在开销和性能中平衡；具体而言：把越频繁访问的数据放到越快的数据库甚至缓存中，把海量的全量数据放到廉价但是查询速度较慢的数据库中）和对S... 学习总结 本次task学习推荐系统的存储模块（遵循“分级存储”原则，在开销和性能中平衡；具体而言：把越频繁访问的数据放到越快的数据库甚至缓存中，把海量的全量数据放到廉价但是查询速度较慢的数据库中）和对S...
- 学习总结 （1）在选择具体特征的过程中，我们遵循了“物品特征”、“用户特征”、“场景特征”这三大类特征分类方式，基于 MovieLens 的 用户评分数据ratings 表和 电影基本数据movies ... 学习总结 （1）在选择具体特征的过程中，我们遵循了“物品特征”、“用户特征”、“场景特征”这三大类特征分类方式，基于 MovieLens 的 用户评分数据ratings 表和 电影基本数据movies ...
- 学习总结 （1）Flink 是最具代表性的批流一体的大数据平台。特点：让批处理和流处理共用一套代码，从而既能批量处理已落盘的数据，又能直接处理实时数据流。 （2）Flink 提高推荐系统实时性：用户数据... 学习总结 （1）Flink 是最具代表性的批流一体的大数据平台。特点：让批处理和流处理共用一套代码，从而既能批量处理已落盘的数据，又能直接处理实时数据流。 （2）Flink 提高推荐系统实时性：用户数据...
- 学习总结 （1）推荐系统的评估体系由传统离线评估、离线 Replay（在离线状态下对线上更新过程进行仿真，让整个评估过程“动”起来。）、线上 Interleaving，以及线上 A/B 测试四个层级组成... 学习总结 （1）推荐系统的评估体系由传统离线评估、离线 Replay（在离线状态下对线上更新过程进行仿真，让整个评估过程“动”起来。）、线上 Interleaving，以及线上 A/B 测试四个层级组成...
- 第17章节——推荐系统 问题规划： ——电影推荐系统的案例 基于内容的推荐算法： 如上图，预测用户对某个电影可能的 评分 情况， 即最小化 预测值 与 实际评分 之间的 差值的 平方 和，y代表实... 第17章节——推荐系统 问题规划： ——电影推荐系统的案例 基于内容的推荐算法： 如上图，预测用户对某个电影可能的 评分 情况， 即最小化 预测值 与 实际评分 之间的 差值的 平方 和，y代表实...
上滑加载中
推荐直播
-
空中宣讲会 2025年华为软件精英挑战赛2025/03/10 周一 18:00-19:00
宸睿 华为云存储技术专家、ACM-ICPC WorldFinal经验 晖哥
2025华为软挑赛空中宣讲会重磅来袭！完整赛程首曝+命题天团硬核拆题+三轮幸运抽奖赢参赛助力礼包，与全国优秀高校开发者同台竞技，直通顶尖赛事起跑线！
即将直播
热门标签