精华内容
下载资源
问答
  • 智能推荐算法学习总括

    千次阅读 2018-03-21 20:25:37
    智能推荐算法总的来说分为两种:基于内容的推荐算法和协同过滤推荐算法。基于内容的推荐算法:根据内容的相似度(静态的东西)进行推荐,内容不好提取的可以采取贴标签的形式来区分计算内容的相似程度。然后根据用户...

    智能推荐算法总的来说分为两种:基于内容的推荐算法协同过滤推荐算法

    基于内容的推荐算法

    根据内容的相似度(静态的东西)进行推荐,内容不好提取的可以采取贴标签的形式来区分计算内容的相似程度。然后根据用户的喜好设置,关注等进行相似内容推荐。

    协同过滤推荐算法

    根据动态信息来进行推荐,即推荐的过程是自动的,推荐结果的产生是系统从用户的购买行为或浏览记录等隐式信息拿到的,无需用户通过填表格等方式来明确自己的喜好。因为这些数据都是要读到内存中进行运算的,所以又叫基于内存的协同过滤Memory-based Collaborative Filtering,另一种协同过滤算法则是基于模型的协同过滤(Model-based Collaborative Filtering)m个物品,m个用户的数据,只有部分用户和部分数据之间是有评分数据的,其它部分评分是空白,此时我们要用已有的部分稀疏数据来预测那些空白的物品和数据之间的评分关系,找到最高评分的物品推荐给用户。对于这个问题,用机器学习的思想来建模解决,主流的方法可以分为:用关联算法,聚类算法,分类算法,回归算法,矩阵分解,神经网络,图模型以及隐语义模型来解决。

    https://www.cnblogs.com/chenliyang/p/6548306.html

    而基于内存的协同过滤又有两种:

    1. 基于user的协同过滤(用户相似度):通过相似用户的喜好来推荐

    2. 基于item的协同过滤(内容相似度):通过用户对项目的不同评分推荐可能让用户打高评分的项目,是项目之间的相似度


    任何一种单一推荐算法都有缺点,我们在实际项目中,可以采用混合推荐算法,融合以上方法,通过串联并联等融合,构造出自己的一套推荐体系。

     

     

     

    展开全文
  • vivo人工智能推荐算法岗提前批面试

    千次阅读 2018-08-16 16:56:28
    vivo人工智能推荐算法岗提前批面试 8月15日面了vivo的人工智能推荐岗位 主要的面试问题有: 1.RNN的正向传播公式 2.CNN的正向传播公式 3.深度学习项目中过拟合的问题?怎么解决?样本不平衡问题?怎么解决? 4...

    vivo人工智能推荐算法岗提前批面试

    8月15日面了vivo的人工智能推荐岗位
    主要的面试问题有:
    1.RNN的正向传播公式
    2.CNN的正向传播公式
    3.深度学习项目中过拟合的问题?怎么解决?样本不平衡问题?怎么解决?
    4.二叉树层次遍历,分层遍历。

    展开全文
  • MenuRecommend智能推荐算法

    千次阅读 2016-12-01 11:53:58
    菜品推荐是集成在火小二扫码点餐的一个功能,客户扫码后,算法基于用户的历史行为和当次点菜行为数据,通过智能算法计算,最终为用户推荐适合其口味,喜好,消费能力等的满意的菜单。目前推荐菜单的菜肴的个数为12个...

    Part1:算法概述
    菜品推荐是集成在火小二扫码点餐的一个功能,客户扫码后,算法基于用户的历史行为和当次点菜行为数据,通过智能算法计算,最终为用户推荐适合其口味,喜好,消费能力等的满意的菜单。目前推荐菜单的菜肴的个数为12个。目前上线的有三套算法,分别为a、b、d桶。
    A桶为热门排行榜:主要是基于本店的最近1个月的最热点菜的Top12,推荐给用户,个性化比较差,不会根据用户自己的点菜行为进行调整。
    B桶是item_cf:是基于物品的协同过滤算法,通过分析用户喜欢的菜的相似菜来为用户推荐适合他的菜肴。
    D桶是改进的item_cf:主要是考察用户历史行为和当前点菜信息的融合型算法。
    三个算法,从转化率来看,A桶转化率最低平均为2.9%,主要是作为参照桶;B桶次之,平均为3.4%,比A桶高18.1%左右;D桶转化率最高,平均为3.5%,比A桶高19.5%左右。
    Part2:算法流程
    Item_cf:
    这里写图片描述
    ALS2:
    这里写图片描述
    Item_cf+Als2:
    这里写图片描述
    Part3:online任务说明
    Als2:
    1198->1286->1259
    1198和1286是计算用户对菜品兴趣值得核心任务;
    1259是把计算的结果导入到前端mysql表中,供产品调用;
    Item_cf:
    444->(565,447)->440->1285->1290
    444是过滤最第价格菜和最高价格菜,以及过滤掉菜品名称不符合条件的菜,如:打包、米饭等;
    565计算每个店内每个菜的回头率值,作为加强因子存在;
    447计算每两个菜的相似性,作为减弱因子存在;
    440综合565和447的结果计算最终每两个菜的相似度分值;
    1285是把计算的结果导入到前端mysql表中;
    1290是把数据存入到缓存表中,供产品调用;
    Part4:item_cf算法介绍
    线下部分计算物品之间计算两两之间的相似度
    这里写图片描述(公式1)
    wij表示物品i和物品j的相似度,|N(i)nN(j)|表示用户在最近俩月点菜N(i)的时候有点菜N(j)的次数,|N(i)|表示用户最近俩月点菜N(i)的次数。
    同时考虑N(i)菜的回头点击率ai,ai的计算方法如下:
    这里写图片描述(公式2)
    其中ai表示最近俩月中用户点菜N(i)的回头率,其中O(i)表示所有订单中出现菜N(i)的个数,O(di)表示所有订单中经过customerregister_id去重后的个数。
    接着,我们对wij通过回头率ai进行强化,强化后的wij为:
    w’ij=wij(1+ai)(公式3)
    线上部分通过用户已经点的菜的集合N(u),来计算和N(u)最相近的K个菜作为菜单推荐给用户:
    这里写图片描述 (公式4)
    其中表示puj用户u对物品N(i)的兴趣值,N(u)是用户u当前已经点的菜的集合,
    S(i,k)是和物品N(i)最相似的K个物品的集合,wij表示物品i和物品j的相似度,r(ui)是用户u对物品i的相似度。
    Part5:基于营养搭配模型菜品重排序:
    1)首先根据每个菜品的菜名和荤菜关键词库进行模糊匹配,如果匹配成功则该菜标志为荤菜,否则为素菜。
    荤菜关键词库如下:鸡、鸭、鱼、羊、牛、蛙、肠、虾、肝等。
    2)对于推荐的菜单的每一个菜,进行荤菜总个数统计,使之大于3小于9。
    3)如果不满足上述条件,则重排序菜单,直到满足为止。

    展开全文
  • 部分智能推荐算法总结

    千次阅读 2013-10-09 11:32:02
    简介 图模型 矩阵分解 Topic model 增强学习 决策树 集成学习 v目前存在的推荐系统主要分为两种: 1.基于内容的推荐系统 ● 2.基于协同过滤的推荐系统

    简介

    目前存在的推荐系统主要分为两种:

    1.基于内容的推荐系统
    方式:通过分析单个用户或资源的原始信息来进行推荐;
    优点:对于稀疏性有一定的抵抗能力;
    缺点:只能发现与已有兴趣相似的资源,难以挖掘新的感兴趣资源;
    2.基于协同过滤的推荐系统
    方式:基于历史上多个用户的访问信息对用户群体的喜好进行分析最后推荐使用者可能感兴趣的资源;
    优点:能有效挖掘出新的感兴趣的资源,且无需考虑资源的表示形式;
    缺点:对于稀疏性高的数据,系统性能会大大降低;


    图模型

    大多数的推荐算法都面临数据稀疏性问题,图模型的算法能明显的改进稀疏性问题、提高推荐准确度。

    图模型:

    (图有小问题,表达意思即可)

    图模型的构造:

      用户对资源进行评分行为可以看作一种联系,表达了用户对资源的偏好。

     

      对这种联系建立模型,把用户和资源表示成图中的点,如果用户使用过某资源,则在该用户和资源之间连边,把评分作为边的权值。

    加入用户的背景信息:

      用户背景信息是很强的社会信息,用户的背景能够决定用户对信息资源的需求。背景信息相同的人可能对资源有相似的偏好。


    计算:

      使用带重启机制的随机游走算法(Random Walk with Restart),计算一个用户到其他所有用户的相关度。

    RWR算法:算法从图中某个顶点出发,沿图中的边随机游走。在任意点上,算法以一定的概率随机地选择与该顶点相邻的边,沿这条边移动到下一个顶点,或以一定的概率直接回到出发点。对于一个非周期不可约的图,经过若干次随机游走过程,到达图中每一个顶点的概率值达到平稳分布,再次迭代也不改变图中的概率分布值。此时,图中每个点的概率值可以看作该顶点与出发点的联系紧密程度。


    推荐计算过程:

    1.把需要得到推荐的用户顶点作为出发顶点;

    2.RWR迭代收敛之后,稳定概率值越大的顶点,与目标顶点联系越密切,越应该作为推荐项目。

    3.对得到的稳定概率值进行排序后,排除用户已经看过的资源,把概率值最大的前k个资源作为推荐集合。


    矩阵分解

    矩阵分解的思路是把评分矩阵通过分解,用一个低秩的矩阵来逼近原来的评分矩阵。

    对原来的庞大的常常又非常稀疏的矩阵进行降维和分解,而分解后得到的矩阵都是稠密矩阵。

    v优点:
    Ø比较容易编程实现
    Ø比较低的时间和空间复杂度
    Ø预测的精度比较高
    Ø非常好的扩展性

    缺点:
    Ø推荐的结果不具有很好的可解释性。
    Ø付出的空间代价太大。

    几种矩阵分解方法:
    1.PureSvd(简易)
    直接对用户评分矩阵RSVD分解成两个矩阵,未知值填充0
    2.LatentFactor Model(学术界主流)
    实现满足一定约束条件的矩阵分解,需要构造一个优化问题;
    3.NMF
    用于非负的值才有意义的情况,因为上面两个方法都有负值出现;


    Topic model

    Topicmodel(主题模型)

    其实网易的算法可以算是主题模型的一种简易展现。

    1.形成一个用户兴趣向量,通过记录用户的点击,来分析用户对某主题新闻的兴趣,考虑时间段流行度的加权;

    2.用K-means方法对目标用户推荐;
    在主题模型中,主题表示一个概念、一个方面,表现为一系列相关的单词,是这些单词的条件概率。


    通俗来说,一个主题就好像一个,它装了若干出现概率较高的词语,这些词语和这个主题有很强的相关性。

    对于一段话来说,有些词语可以出自这个,有些可能来自那个,一段文本往往是若干个主题的杂合体。我们举个简单的例子,见下图:

                

    readable normally

    主题模型(topicmodel)可以无监督地对文档和词进行分类。主题模型训练推理有两种:

    1.LDA

    2.pLSA

    LDA可以将一篇文档用多个主题以概率形式组成,pLSA只有一个主题




    增强学习

    增强学习原理:

      Agent通过接收每一个状态下的响应评估来做一个较合理的行为,设定一个回报函数,目标就是最大化回报的和。

    对于控制决策问题,有这么一种解决思路。我们设计一个回报函数(reward function),如果learning agent在决定一步后,获得了较好的结果,那么我们给agent一些回报(比如回报函数结果为正),得到较差的结果,那么回报函数为负。

    比如,四足机器人,如果他向前走了一步(接近目标),那么回报函数为正,后退为负。如果我们能够对每一步进行评价,得到相应的回报函数,那么就好办了,我们只需要找到一条回报值最大的路径(每步的回报之和最大),就认为是最佳的路径。


    增强学习算法用于改进主题模型:

    1.首先利用个性化标签数据和历史访问数据组合构建每个用户向量;
    2.然后在学习用户向量过程中,算法基于强化学习的框架更新用户向量权值,且对较新的用户评价数据给予更高的权重,从而有效反映了用户的最新兴趣;
    3.最后根据学习到的用户兴趣向量,结合协同过滤的思想对用户进行推荐。


    决策树

    决策树构建比较简单:

    1.将所有的用户评分数据映射到<like,dislike, unknown>三维空间上;
    2.从根结点开始,选择最佳的分割项,自顶向下建树;
    3.终止条件,同时考虑以下三种:

    设定树的最大深度;

    设定最佳分割项的误差阈值;

    设定当前节点的最少评分数量;


    集成学习


    集成学习算法(EnsembleLearning):

      将一系列学习器进行学习,并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。


    算法:
    1.Boosting
    2.Bagging

    集成学习

      集成学习算法应用于决策树                    随机森林

      随机森林算法:

    1.可放回抽样;
    2.分类时选一小部分特征;
    3.不剪枝情况下生成tree
    4.生成一片森林,分类时用每一棵树的结果vote


    Bagging

      Bagging和随机森林的思路相似,随机有放回的采样数据,建立多个训练器,最终预测函数对分类问题采用投票的方式得到结果。


    Boosting

      Boosting的思想是考虑了权重的:

    1.初始化时对每一个训练例赋相等的权重;
    2.然后用该学算法对训练集训练多轮,每次训练后,对训练失败的训练例赋以较大的权重;
    3.得到一个预测函数序列, 预测效果好的预测函数权重较大,反之较小;
    4.最终的预测函数对分类问题采用有权重的投票。

    基于Boosting的个性化推荐算法:

    传统的协同过滤算法中,定位相似人群,利用KNN的方法,将评分乘以人群相似度加权值,取平均。

    定位相似人群是最关键的步骤,其中有传统方法和基于局部结构两种方法;

    传统相似度算法有:
    1.余弦相似度;
    2.正规化余弦相似度;(公式如下)
    3.Pearson相关性;


    I表示商品集合

    r表示评分矩阵


    基于局部结构的相似度计算有:

    1.公共邻居:考虑两个用户之间共同打分的个数;
    2.Salton指标;
    3.Jaccard指标;
    4.Sϕrensen算法;

    I表示商品集合

    r表示评分矩阵




    上述众多的相似度测量方法可以产生众多的弱分类器,利用Boosting的思想来产生最优组合;





    展开全文
  • 智能优化算法:麻雀搜索算法-附代码

    万次阅读 多人点赞 2020-09-27 16:34:00
    2020智能优化算法:麻雀搜索算法-附代码 文章目录2020智能优化算法:麻雀搜索算法-附代码1.算法原理2.算法结果3.参考文献4.Matlab代码 摘要:麻雀搜索算法(Sparrow Search Algorithm, SSA)是于2020年提出的。SSA ...
  • 近年来,随着计算机技术的快速发展,为了在一定程度上解决大空间、非线性、全局寻优、组合优化等复杂问题,不少智能优化方法不断涌现,例如:进化类算法、群智能算法、模拟退火算法、禁忌搜索算法和神经网络算法等。...
  • 智能优化算法

    万次阅读 多人点赞 2018-09-03 21:27:12
    智能优化算法 目录 智能优化算法 目录 遗传算法(Genetic Algorithm) 理论 特点 领域 算法流程 差分进化算法(Differential Evolution Algorithm) 理论 特点 领域 算法流程 免疫算法(Immune Algorithm,...
  • 群体智能优化算法

    万次阅读 多人点赞 2018-11-20 08:32:51
    群体智能优化算法介绍什么是群体智能优化算法群体智能优化算法的定义群体智能优化算法的原则常见的群体智能优化算法挖坑蚁群算法粒子群优化算法菌群算法蛙跳算法人工蜂群算法总结 由于在研究生期间一直研究粒子群...
  • BP神经网络的Matlab实现——人工智能算法

    万次阅读 多人点赞 2018-01-27 23:07:23
    这几天在各大媒体上接触到了人工智能机器学习,觉得很有意思,于是开始入门最简单的机器算法——神经网络训练算法(Neural Network Training);以前一直觉得机器学习很高深,到处是超高等数学、线性代数、数理统计。...
  • 智能优化算法:天牛须搜索算法

    千次阅读 多人点赞 2020-11-23 16:51:25
    智能优化算法:天牛须搜索算法一、前言二、算法简介三、算法原理3.1 算法模型3.2 算法流程总结 一、前言        天牛须算法 (Beetle Antennae search algorithm, BAS) 是由Jiang...
  • 智能优化算法改进算法 -附代码

    千次阅读 多人点赞 2020-11-23 16:59:57
    智能优化算法改进算法 摘要:为了方便大家对智能优化算法进行改进,复现多种智能优化改进算法供大家参考。所有代码均根据已经发表的文章,来复现方便大家参考别人的原理,代码会不定时更新。 1.文献复现:基于变因子...
  • 推荐算法 潜在因子 音乐推送
  • 智能优化算法:蝙蝠算法-附代码

    千次阅读 2020-08-11 16:17:45
    智能优化算法:蝙蝠算法-附代码 文章目录智能优化算法:蝙蝠算法-附代码1.算法原理2.算法流程3.算法结果4.参考文献5.MATLAB代码 摘要:蝙蝠算法(Bat Algorithm,BA)[1] 是受蝙蝠回声定位捕食行为启发,提出的一种...
  • 智能算法:鲸鱼优化算法-附代码 文章目录智能算法:鲸鱼优化算法-附代码1.算法原理1.1包围猎物1.2 狩猎行为1.3 搜索猎物1.4 算法流程2. 算法结果:参考文献: 摘要:鲸鱼优化算法 (whale optimization algorithm,WOA...
  • 智能优化算法:蜉蝣算法 - 附代码

    千次阅读 2020-10-24 08:41:00
    2020 智能优化算法:蜉蝣算法 - 附代码 文章目录2020 智能优化算法:蜉蝣算法 - 附代码1.算法原理1.1 雄性蜉蝣的运动1.2 雌性蜉蝣的运动1.3 蜉蝣交配2.算法结果3.参考文献4.Matlab代码 摘要:蜉蝣算法(mayfly ...
  • 智能优化算法:灰狼优化算法-附代码

    万次阅读 多人点赞 2020-07-31 16:31:41
    智能算法:灰狼优化算法-附代码 摘要:受 灰 狼 群 体 捕 食 行 为 的 启 发,Mirjalili等[1]于 2014年提出了一种新型群体智能优化算法:灰狼优化算法。GWO通过模拟灰狼群体捕食行为,基于狼群群体协作的机制来达到...
  • 人工智能智能优化算法

    千次阅读 2020-06-30 09:05:25
    人工智能智能优化算法 优化问题是指在满足一定条件下,在众多方案或参数值中寻找最优方案或参数值,以使得某个或多个功能指标达到最优,或使系统的某些性能指标达到最大值或最小值。优化问题广泛地存在于信号处理...
  • 智能优化算法:蜻蜓优化算法-附代码 文章目录智能优化算法:蜻蜓优化算法-附代码1.算法原理1.1分离2.2 排队2.3 结盟2.4 寻找猎物2.5 躲避天敌2.算法流程3.算法结果4.参考文献5.MATALAB代码 摘要:蜻蜓优化算法( ...
  • 智能优化算法:鸟群算法-附代码

    千次阅读 2020-09-11 10:54:36
    智能优化算法:鸟群算法-附代码 文章目录智能优化算法:鸟群算法-附代码1.算法原理2.算法结果3.参考文献4.Matlab代码 摘要:鸟群算法(Bird Swarm Algorithm,BSA)是由 Xian-Bing Meng 等人根据自然界鸟群觅食、警觉...
  • 2019智能优化算法:哈里斯鹰算法-附代码 文章目录2019智能优化算法:哈里斯鹰算法-附代码1.算法原理1.1 搜索阶段1.2 搜索与开发的转换1.3 开发阶段2.算法结果3.参考文献4.Matlab代码 摘要:2019 年 Heidari 等人提出...
  • 个性化推荐系统是建立在海量数据挖掘基础上的一种高级商务智能平台,以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。推荐系统有3个重要的模块:用户建模模块,推荐对象模块,推荐算法模块。...
  • 智能优化算法:蝴蝶优化算法-附代码

    千次阅读 热门讨论 2020-08-07 09:58:08
    智能优化算法:蝴蝶优化算法-附代码 文章目录智能优化算法:蝴蝶优化算法-附代码1.算法原理2.算法流程:3.算法结果4.参考文献:5.MATLAB代码 摘要:蝴蝶优化算法 (Butterfly optimization algorithm,BOA)是由 ...
  • 智能优化算法:飞蛾扑火优化算法-附代码 文章目录智能优化算法:飞蛾扑火优化算法-附代码1.算法原理2.算法流程3.算法结果4.参考文献5.MATLAB代码 摘要:飞饿扑火优 化 算 法 ( Moth-flame optimization algorithm,...
  • 智能优化算法:鸽群优化算法-附代码 文章目录智能优化算法:鸽群优化算法-附代码1.算法原理1.1 指南针算子1.2 地标算子2.算法结果3.参考文献4.Matlab代码5.Python代码 摘要:2014 年 段 海 滨 教 授 通 过 归 纳 总 ...
  • 所谓推荐算法就是利用用户的一些行为,通过一些数学算法,推测出用户可能喜欢的东西。推荐算法主要分为两种 1. 基于内容的推荐 基于内容的信息推荐方法的理论依据主要来自于信息检索和信息过滤,所谓的基于内容的...
  • 智能优化算法:萤火虫算法-附代码

    千次阅读 2020-09-09 16:34:10
    智能优化算法:萤火虫算法-附代码 文章目录智能优化算法:萤火虫算法-附代码1.算法原理2.算法结果3.参考文献4.Matlab代码 摘要:萤火虫算法(Fire-fly algorithm,FA)由剑桥大学 Yang 于 2009 年提出 , 作为最新的...
  • 智能优化算法:狮群优化算法 文章目录智能优化算法:狮群优化算法1.狮群算法原理1.1参数定义1.2算法原理2.实验结果3.参考文献4.Matlab代码5.python代码 摘要:狮群优化算法(Loin Swarm Optimization, LSO),是于...
  • 摘要:混合蛙跳算法(SFLA)是Eusuff等人 [1] 于2003年提出的一种基于群体的亚启发式协同搜索群智能算法. 该算法是建立在群中个体具有的模因进化和利用模因实现全局信息交换基础上的.具有概念简单、参数少、计算速度快...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 409,154
精华内容 163,661
关键字:

智能推荐算法