鐵人檔案
老婆的問題很多。
找不到好看的影片，會問我有什麼好看的？
挑不到禮物，會問我該買什麼禮物好？
還有...今天晚上要吃什麼？
怎麼我每天都有回答不完的問題？
那就來打造可以回答老婆問題的推薦系統吧！
接下來30天，我打算讓大家陪我一起實做推薦系統。
我會從影片的推薦引擎開始，技術方面，我打算分享以下內容：
1. 基於內容相似的推薦系統
2. 協作過濾法
3. 因數分解機
4. GBDT
總之，就請每天來看看，讓我們一起出發吧！
在前兩天的介紹裡，我們說明了協同過濾法的作法，這種做法雖然直覺簡單，但無論是 UserCF 或 ItemCF 它[ 都要維護一個很大的評分表，並且這個評分表是個...
推薦系統就是要幫使用者儘快找到自己喜歡的內容。現在客戶取得成本愈來愈高，同時也很沒耐性，只要產品有點不好用，使用者可能就會選擇其他的替代品。 但任何系統上線，並...
昨天提到冷啟動問題，以及 3 種不同冷啟動對策，而今天我們再來討論其它的冷啟動對策。 對策4：壓榨及拓展策略 也許我們不是完全沒數據，但要如何用少量資訊做個性化...
昨天提到了冷啟動的2個對策，今天我們來說說另一個對策 - 快速試探策略 對策6：快速試探策略 這方法是先隨機或用非個性化推薦，在使用者和系統做些互動後，馬上挖...
邏輯回歸是機器學習裡要解決的基本問題。如下圖： 就是給一個特徵向量及答案的組合，這些資料給機器作學習，未來可以拿某個特徵向量問機器，請它做答案的預測。 用在電...
今天簡介因數分解機 Factorization Machines （FM） 傳統機器學習問題遇到的問題 一般機器學習演算法，只考慮特徵向量要如何給權重。但特徵...
昨日我們介紹了因數分解機(FM)的特色，今天我們來說明它為什麼有用！ 推薦問題在線性回歸上是怎麼運作的？ 在做推薦系統時，若用線性回歸做預測，要預測的東西會有...
我們今天來了解FM是怎麼把空間和計算量降下來的 重新看一下，昨天最後的式子 看其中的二階的相加項 wij 的數目和矩陣的上三角數目很像呀！難道這和矩陣有點關...
在做推薦系統時，離散的特徵常會需要做 one-hot，這會導致特徵矩陣非常稀疏。在前幾天我們提到因數分解機 FM，可以在矩陣稀疏的情況下，不只訓練及預測的速度快...
之前介紹了 FM 及 FFM 演算法，他們對於特徵交換都只留在二階上，也就是只討論兩個特徵若同時出現時的情況。但難道不能討論3個4個或更多嗎？ 可以，但會遇到組...
