阅读resyschina推荐引擎文章感受二
2012-03-15 11:52
148 查看
11.推荐引擎需要有反馈机制,最简单是CTR,如果有YES/NO的反馈更好
12.了解用户关注那些主题哪些人,打开哪些链接,转过什么内容来了解用户兴趣
13.item CF的优点,可以基于用户的每一次行为进行推荐,比如网页/视频,可以推荐相关的,而user CF更多的是首页推荐,第二个优点,可解释性强。 容易导致多样性不足,而user CF主要是基于用户喜好,而用户喜好是多样的,多样性会好一点
14.推荐 相关性VS 人气(热门) 都重要,在搜索中,相关性指的 结果和query之间的关系,而推荐中则是 item与用户兴趣/爱好之间的关系,人气之前值得是item本身,而目前则是社交网络中 影响力。 一般基于相关性获取内容源,然后基于相关性以及人气进行相关过滤和排序
15.评测方法,离线的数据评测,或者线上的click
16.推荐系统技术上的问题,1.冷启动, 数据稀少时噪声多 2.数据规模大时,推荐越来越平庸,面对不同特性的数据集,需要花时间调参数
17.推荐系统应该能自我启动,同时能够成长和进化,具备学习功能
18.推荐系统本身很难成为一个平台,但是一定是各类平台的标配
19.一个产品成为平台,最关键是的back-end,数据在手中,元数据meta-data在手中,用户给类行为数据
20.推荐系统依赖于数据,并且上下文context信息很重要,比如jinni.com电影推荐,考虑电影基调,电影情节 ,电影类型,电影发生时间,发生地点等,等结果影响大
12.了解用户关注那些主题哪些人,打开哪些链接,转过什么内容来了解用户兴趣
13.item CF的优点,可以基于用户的每一次行为进行推荐,比如网页/视频,可以推荐相关的,而user CF更多的是首页推荐,第二个优点,可解释性强。 容易导致多样性不足,而user CF主要是基于用户喜好,而用户喜好是多样的,多样性会好一点
14.推荐 相关性VS 人气(热门) 都重要,在搜索中,相关性指的 结果和query之间的关系,而推荐中则是 item与用户兴趣/爱好之间的关系,人气之前值得是item本身,而目前则是社交网络中 影响力。 一般基于相关性获取内容源,然后基于相关性以及人气进行相关过滤和排序
15.评测方法,离线的数据评测,或者线上的click
16.推荐系统技术上的问题,1.冷启动, 数据稀少时噪声多 2.数据规模大时,推荐越来越平庸,面对不同特性的数据集,需要花时间调参数
17.推荐系统应该能自我启动,同时能够成长和进化,具备学习功能
18.推荐系统本身很难成为一个平台,但是一定是各类平台的标配
19.一个产品成为平台,最关键是的back-end,数据在手中,元数据meta-data在手中,用户给类行为数据
20.推荐系统依赖于数据,并且上下文context信息很重要,比如jinni.com电影推荐,考虑电影基调,电影情节 ,电影类型,电影发生时间,发生地点等,等结果影响大
相关文章推荐
- 阅读resyschina推荐引擎文章感受三
- 文章阅读
- 信息时代的独立阅读者(二):怎么阅读科普类文章
- present or future: optimal pricing for spot instances文章阅读笔记
- 刚子扯扯蛋:说下百度对网站原创文章的个人感受
- 月光博客2011年推荐阅读文章
- 高质量阅读:好文章的品质
- 深度学习文章阅读3--Video-based emotion recognition using CNNRNN and C3D hybrid networks
- wpf/silverlight文章推荐阅读
- [翻译文章]IP子网划分 推荐阅读
- 博客园文章添加阅读目录及CSS样式的方法总结
- C++ 记录学习过程中一些值得多次阅读的博客文章
- 《On Large-Batch Training for Deep Learning: Generalization Gap and Sharp Minima》-ICLR2017文章阅读
- 微信好友在阅读哪些原创文章?
- 个人博客作业Week7(阅读文章,心得体会)
- 需要深入阅读的文章
- 讨论一下文章的阅读量 (个人观点)
- 需要仔细阅读的文章的URL地址(有Oracle相关的技巧)
- 阅读1.3.1.7算术表达式求值感受