推荐系统召回算法：基于用户的协同过滤（UserCF）
1. 算法原理如果用户 A 和用户 B 的兴趣相似，而其中一位用户对某个物品感兴趣，那么另一位用户也很有可能对这个物品感兴趣。这就是基于用户的协同过滤（UserCF）算法的基本思想。 那么，推荐系统如何知道用户 A 和用户 B 的兴趣相似呢？例如： 思路 1：如果用户 A 喜欢的物品和用户 B 喜欢的物品有很多重合（或者说点击、点赞、收藏、转发等行为有很多重合），那么用户 A 和用户 B 的兴趣
推荐系统召回算法：Swing 算法
Swing 算法广泛用于推荐系统的召回阶段，本文将介绍 Swing 算法的原理和实现。 1. ItemCF 算法可能存在的一个问题ItemCF 算法在计算两个物品的相似性时认为：两个物品的受众重合度越大，两个物品的相似度越大。但是这种假设在实际应用中可能存在“小圈子”问题，举例来说：当两个不太相似的物品被转发到同一个微信群中时，这两个物品同时被群友点击，这样就会导致这两个物品的相似度很高，但是这两
推荐系统召回算法：基于物品的协同过滤（ItemCF）
1. 算法原理如果用户喜欢物品 A，而物品 A 和物品 B 有很高的相似度，那么用户很有可能也喜欢物品 B。这就是基于物品的协同过滤（ItemCF）算法的基本思想。 例如，某位用户喜欢看《三国演义》，而《三国演义》和《水浒传》有很高的相似度，那么这位用户很有可能也喜欢看《水浒传》，如果用户没有看过《水浒传》，那么我们就可以推荐给用户看《水浒传》。 那么，推荐系统如何知道《三国演义》和《水浒传》有很
推荐系统召回算法：基于物品属性的倒排索引召回
1. 算法简介顾名思义，基于物品属性的召回方法的基本思想是根据某一物品属性，召回与之匹配的相关物品。例如在 UGC 图文内容推荐场景中，我们可以根据物料的类型、标签、话题等属性快速找到相关物料；在电商推荐场景中，我们可以根据物品的类目、品牌、价格等信息快速召回相关物品。 在实际应用中，需要事先通过离线计算将具备相同属性的物品放入同一个集合中，集合内部按照后验消费指标（例如 CTR，停留时长）降序排
推荐系统中常用的召回方法总结
本文汇总了推荐系统中常用的召回方法，分篇记录如下，供自己学习使用： 1. 传统召回算法 基于物品属性的倒排索引召回 基于物品的协同过滤（ItemCF） Swing 算法 基于用户的协同过滤（UserCF） （TODO）矩阵分解算法 2. 基于向量的召回算法 （TODO）FM 算法 （TODO）Item2Vec 算法 （TODO）Airbnb 算法 （TODO）YouTubeDNN 算法 （TOD
常见的距离度量方法
1. 欧式距离 (Euclidean Distance)欧式距离是最常见的距离度量方法，它的定义如下： $$d(x, y) = \sqrt{\sum_{i=1}^n (x_i - y_i)^2}$$ 其中，$x$ 和 $y$ 是两个向量，$x_i$ 和 $y_i$ 是向量 $x$ 和 $y$ 的第 $i$ 个元素，$n$ 是向量 $x$ 和 $y$ 的维度。 举例来说，假设 $
Docker 入门教程
1. 概述1.1 Docker 是什么Docker 是一个开源的应用容器引擎，基于 Go 语言 并遵从 Apache2.0 协议开源。 Docker 可以让开发者打包他们的应用以及依赖包到一个轻量级、可移植的容器中，然后发布到任何流行的 Linux 机器上，也可以实现虚拟化。 容器是完全使用沙箱机制，相互之间不会有任何接口（类似 iPhone 的 app), 更重要的是容器性能开销极低。 1.2
位运算技巧总结
1. 位运算的性质 x对其自身运算 x & x = x x | x = x x ^ x = 0 x与0运算 x & 0 = 0 x | 0 = x x ^ 0 = x x与0运算 x & (0) = x x | (0) = ~0 x ^ (0) = ~x 异或的性质 x ^ 0