1. <strong id="7actg"></strong>
    2. <table id="7actg"></table>

    3. <address id="7actg"></address>
      <address id="7actg"></address>
      1. <object id="7actg"><tt id="7actg"></tt></object>

        更新!帶你認(rèn)識(shí)推薦系統(tǒng)全貌的論文清單

        共 1975字,需瀏覽 4分鐘

         ·

        2020-07-28 12:29

        推薦系統(tǒng)簡(jiǎn)介

        隨著大數(shù)據(jù)時(shí)代的飛速發(fā)展,信息逐漸呈現(xiàn)出過(guò)載狀態(tài),推薦系統(tǒng)(又稱為個(gè)性化內(nèi)容分發(fā))作為近年來(lái)實(shí)現(xiàn)信息生產(chǎn)者與消費(fèi)者之間利益均衡化的有效手段之一,越來(lái)越發(fā)揮著舉足輕重的作用。再者這是一個(gè)張揚(yáng)個(gè)性的時(shí)代,人們對(duì)于個(gè)性化的追求、千人千面的向往愈來(lái)愈突出,誰(shuí)能捕捉住用戶的個(gè)性化需求,誰(shuí)就能在這個(gè)時(shí)代站住腳跟?,F(xiàn)在人們不再單單依靠隨大流式的熱門推薦,而是基于每個(gè)用戶的行為記錄來(lái)細(xì)粒度的個(gè)性化的生成推薦內(nèi)容。像今日頭條、抖音這樣的APP之所以如此之火,讓人們欲罷不能,無(wú)非是抓住了用戶想看什么的心理,那么如何才能抓住用戶的心理,那就需要推薦系統(tǒng)的幫助了。因此在這個(gè)張揚(yáng)個(gè)性的時(shí)代,無(wú)論你是開(kāi)發(fā)工程師還是產(chǎn)品經(jīng)理,我們都有必要了解一下個(gè)性化推薦的一些經(jīng)典工作與前沿動(dòng)態(tài)。

        推薦系統(tǒng)清單

        https://github.com/hongleizhang/RSPapers

        該項(xiàng)目提供了一些關(guān)于推薦系統(tǒng)的經(jīng)典綜述文章主流的推薦算法文章著名的社會(huì)化推薦算法論文、基于深度學(xué)習(xí)的推薦系統(tǒng)論文(包括目前較火的GCN網(wǎng)絡(luò))以及關(guān)于專門處理冷啟動(dòng)問(wèn)題的相關(guān)論文推薦中的哈希以及推薦當(dāng)中的探索與利用問(wèn)題等。當(dāng)然該項(xiàng)目包含但不局限于以上這些模塊。為了保持統(tǒng)一和易于維護(hù),整理的論文是按照年份來(lái)進(jìn)行排序的。目前累計(jì)star數(shù)量已達(dá)2.4k,感謝大家的貢獻(xiàn)與支持。該項(xiàng)目主要包括以下幾部分:

        0、點(diǎn)擊率預(yù)估(New)

        眾所周知,推薦系統(tǒng)的核心分為兩部分,一個(gè)是召回,一個(gè)是精排。其中的精排其實(shí)可以看作是點(diǎn)擊率預(yù)估的部分,因此本次更新將CTR Prediction作為一部分加入到RS Papers里邊,希望大家能夠從點(diǎn)擊率預(yù)估的角度來(lái)對(duì)推薦系統(tǒng)有一個(gè)全新的認(rèn)識(shí)。



        1、經(jīng)典綜述

        包含了關(guān)于推薦系統(tǒng)的綜述文章、社會(huì)化推薦的綜述文章、協(xié)同過(guò)濾算法的綜述文章以及基于深度學(xué)習(xí)構(gòu)建推薦系統(tǒng)的綜述文章。



        2、主流推薦算法

        包括了一些經(jīng)典的協(xié)同過(guò)濾模型,對(duì)于協(xié)同過(guò)濾模型的一些經(jīng)典擴(kuò)展(尤其是矩陣分解模型)以及其他經(jīng)典方法等。



        3、社會(huì)化推薦

        整理了近年來(lái)關(guān)于社會(huì)化推薦的一系列文章,例如SoRec、SoReg、RSTE、TrustSVD、UniWalk等經(jīng)典方法。



        4、深度學(xué)習(xí)推薦算法

        整理關(guān)于利用深度學(xué)習(xí)技術(shù)來(lái)構(gòu)建推薦系統(tǒng)的文章,比如受限的玻爾茲曼機(jī)、卷積神經(jīng)網(wǎng)絡(luò)等技術(shù)來(lái)融合到推薦模塊中。



        5、冷啟動(dòng)問(wèn)題

        專注于解決協(xié)同過(guò)濾中固有的冷啟動(dòng)問(wèn)題,主要是利用除評(píng)分信息之外的其他邊信息(社交信息、評(píng)論信息等)以及利用映射機(jī)制來(lái)緩解冷啟動(dòng)問(wèn)題。



        6、推薦中的哈希問(wèn)題

        隨著用戶、項(xiàng)目規(guī)模的不斷擴(kuò)大,使得推薦模型的訓(xùn)練與預(yù)測(cè)的時(shí)間開(kāi)銷與內(nèi)存開(kāi)銷也與日俱增,因此如何壓縮訓(xùn)練的時(shí)間以及空間成為推薦當(dāng)中的另一經(jīng)典問(wèn)題,因此推薦中的哈希也值得我們?nèi)フJ(rèn)真對(duì)待。



        7、探索與利用問(wèn)題

        顧明思議,我們?cè)谕扑]的過(guò)程中,既想利用用戶的已知興趣來(lái)精確的推薦用戶感興趣的項(xiàng)目(利用),又想給用戶推薦他之前沒(méi)遇到過(guò)同時(shí)用戶很可能感興趣的項(xiàng)目(探索)。眾所周知,當(dāng)我們相對(duì)保守的時(shí)候,即只給用戶推薦他一定感興趣的東西時(shí),用戶體驗(yàn)并不是很好,因?yàn)椴荒芙o用戶以驚喜度和新鮮感;相反,如果我們只給用戶推薦新奇的、他未見(jiàn)過(guò)的項(xiàng)目,這樣很具有冒險(xiǎn)精神,但該方案風(fēng)險(xiǎn)較大,不如前者帶來(lái)的效益穩(wěn)定。因此如何兼顧兩者的重要程度是業(yè)界比較關(guān)注的話題。



        注:該項(xiàng)目將持續(xù)更新,歡迎大家star。關(guān)注公眾號(hào)回復(fù)關(guān)鍵字【rspapers】獲取打包完整的推薦系統(tǒng)論文pdf全集,盡享論文盛宴。

        瀏覽 55
        點(diǎn)贊
        評(píng)論
        收藏
        分享

        手機(jī)掃一掃分享

        分享
        舉報(bào)
        評(píng)論
        圖片
        表情
        推薦
        點(diǎn)贊
        評(píng)論
        收藏
        分享

        手機(jī)掃一掃分享

        分享
        舉報(bào)
        1. <strong id="7actg"></strong>
        2. <table id="7actg"></table>

        3. <address id="7actg"></address>
          <address id="7actg"></address>
          1. <object id="7actg"><tt id="7actg"></tt></object>
            国产精品久久久久久久久久春嫩 | 99久久久无码国产精品免费蜜柚 | 红桃视频一区二区三区免费 | 日逼黄色视频 | 黄色大片黄色三级片黄色二级片黄色大片 | 无码A片| 做爱在线网站xxx | 国产凹凸久久精品一区 | 中国老太卖婬HD大全免费看 | 97人妻一区二区三区 |