SVD推荐算法（二）
这次讲解的是model-based的SVD推荐算法。
跟ALS推荐算法一样，都是矩阵分解的推荐算法，只不过求解的方式不同而已。
假如评分矩阵是R，那么我们希望拟合这样一个模型
R=U*M
其中U是user特征，M是item特征。
假如一个user的特征是u，一个item的特征是i，那么这个user对这个item的评分就是
u*i（两个特征的内积...
分类：
编程语言 时间：
2015-04-24 21:12:07
阅读次数：
4343
订单贡献率10%，京东个性化推荐系统持续优化的奥秘作者：周建丁在信息过剩的互联网时代，个性化推荐技术对于互联网公司运营的重要性自不待言。本文要谈的是京东商城最新的推荐系统。京东已经在新版首页上线了“今日推荐”和“猜你喜欢”两项功能，基于大数据和个性化推荐算法，实现了向不同用户展示不同的内容的效果（俗...
分类：
其他好文 时间：
2015-04-16 23:19:51
阅读次数：
125
原文作者：新浪微博@王小科科科本文由36大数据翻译组-大海翻译，转载必须获得本站、原作者、译者的同意，拒绝任何不表明译者及来源的转载！如何提高推荐算法的有效性？主要的方法是特征转化，模型选取，数据处理等等。降维是特征加工中的一个重要部分。这篇博文主要讲述如何利用降维方法来提高以用户为基础的协同过滤方...
分类：
其他好文 时间：
2015-04-08 06:29:12
阅读次数：
139
美团推荐算法实践楼主发表于 2015-1-23 13:33:23|查看: 328|回复: 0前言推荐系统并不是新鲜的事物，在很久之前就存在，但是推荐系统真正进入人们的视野，并且作为一个重要的模块存在于各个互联网公司，还是近几年的事情。随着互联网的深入发展，越来越多的信息在互联网上传播，产生了严重的信...
分类：
编程语言 时间：
2015-04-07 21:29:00
阅读次数：
197
本文总结了多种推荐场景中的注意事项，或者推荐中比较关键的因素，不涉及算法描述，仅仅说明关注点，仅供参考。
推荐算法有很多种，从算法的角度来说，我认为主要由以下几种：协同过滤系列（基于item和user），机器学习分类系列（喜欢和不喜欢二分类，或者回归中的分值代表喜欢程度），矩阵分解系列（mahout ALS算法，netflix举行推荐大赛获奖算法），关联规则（电商常用）。本文将从以上几种系列进行总结。...
分类：
编程语言 时间：
2015-04-03 17:31:18
阅读次数：
251
转自 ：http://blog.csdn.net/hxxiaopei/article/details/7695740推荐系统，整体上有三种方式：user->user->item, 推荐与其相同兴趣的用户喜欢的item，user-baseduser->item->item, 推荐与其喜欢的item相似...
分类：
编程语言 时间：
2015-03-20 09:10:02
阅读次数：
132
这篇文章主要是结合机器学习实战将推荐算法和SVD进行相应的结合
任何一个矩阵都可以分解为SVD的形式
其实SVD意义就是利用特征空间的转换进行数据的映射，后面将专门介绍SVD的基础概念，先给出python，这里先给出一个简单的矩阵，表示用户和物品之间的关系
这里我自己有个疑惑？
对这样一个DATA = U（Z）Vt
这里的U和V真正的几何含义 : 书上的含义是U将物品映射到了新的特...
分类：
编程语言 时间：
2015-03-17 21:56:23
阅读次数：
276
矩阵分解在推荐系统中的应用浅谈矩阵分解在推荐系统中的应用SVD在推荐系统中的应用用于推荐系统的一种矩阵分解库：LibMF基于矩阵分解的推荐算法，简单入门 - kobeshow
分类：
其他好文 时间：
2015-03-11 23:24:31
阅读次数：
144
ALS矩阵分解推荐模型
其实通过模型来预测一个user对一个item的评分，思想类似线性回归做预测，大致如下
定义一个预测模型（数学公式），
然后确定一个损失函数，
将已有数据作为训练集，
不断迭代来最小化损失函数的值，
最终确定参数，把参数套到预测模型中做预测。
矩阵分解的预测模型是：
损失函数是：
我们就是要最小化损失函数，从而求得参...
分类：
其他好文 时间：
2015-03-05 22:24:01
阅读次数：
545
只推荐经典好书， 所有书籍我都读过， 没读过的我不会推荐。网上很多人推荐各种书籍， 豆瓣评分也很高， 但实际读起来不是翻译的太烂，就是根本不是什么好书。很多人推荐算法导论，但我都拿起 2 次又放下 2 次了，根本看不下去， 不是我水平太菜，就是算法导论根本不适合算法入门。1 大话设计模式这是我的 O...
分类：
其他好文 时间：
2015-02-27 22:47:46
阅读次数：
222
