推荐系统 之不想重名

7.1 日更新
嵌入(embedding)层的理解
embedding练习代码
Embedding和Word2Vec实战

---

一些模型优缺点：

堆叠降噪自编码器：擅长没有文档时，提取用户和项目 潜在信息
三种结合卷积神经网络，注意力机制神经网络在NLP关注

LSTM进行文本特征提取，只关注了文本信息，忽略关键信息
改进：特征提取（附加堆叠降噪自编码器，和基于卷积神经网络的矩阵分解 ）
缺点：卷积层输入文档包含无关键词的噪声信息，卷积层无法自动区分关键词，忽略上下文关系和词的顺序，无法捕捉序列信息

堆叠降噪自编码器aSDAE，LSTM-attention，—推荐模型

1.评分数据 用户辅助信息 输入
2.词向量对项目辅助信息，预处理，输入LSTM网络层，再attention
3.用户，项目的潜在向量，概率矩阵预测用户评分，深度学习

---

主流的推荐算法 包括：
协同过滤，基于内容，关联规则，混合推荐，基于深度学习推荐

协同过滤是最主流的推荐算法

基于 物品 的协同过滤：
用户-项目评分矩阵 —> 计算项目相似度 —> 选取近邻项目 —> 预测评分

LDA求解方法：Gibbs采样算法，变分推断EM算法
LDA算法 具有3层 贝叶斯概率模型。
LDA模型在 词汇分类 表现突出

相似度计算：余弦相似度，改进的余弦相似度，皮尔逊相似度
其中，皮尔逊相似度 仅考虑了 用户评价 物体交集 的标准差，比其他方法效果好。

主题模型：对文档的隐含主题进行建模
LDA主题模型：在参数上设置先验分布，

---

推荐系统怎么入门？- 知乎博文（内部含若干链接）

---

融合 协同过滤 和 主题模型 的推荐算法
1 . 相关研究

1 . 基于物品的协同过滤
2 . LDA主题模型

2 . 融合 协同过滤 和 主题模型 的推荐算法

1 . 融合项目 评分相似度 和 主题相似度 的初始预测评分
2 . 计算 用户-项目 主体相似度
3 . 融合 预测评分 并 生成推荐
4 . 算法时间复杂度分析

3 . 实验结果 及 分析

3 . 算法 相关参数 确定
3.1 主题模型 主题个数 确定
3.2 相似度融合 参数 确定

---

融合 用户关系 和 时间因素 的 主题模型 推荐算法
1 . 相关工作

1 . 相似度计算
2 . LDA 主题模型

2 . 结合用户关系 和 时间加权 的主题模型 推荐

1 . 基于 标签信息 的 用户-物品 概率矩阵 计算
2 . 结合 时间因素 的 用户 相似度矩阵 计算
3 . 结合 社交关系 和 时间因素 的 用户 权重矩阵 计算
4 . 根据 用户-物品 偏好矩阵 产生 推荐

---

基于 GRU 和 矩阵分解 的 混合推荐 算法
1 . GRU网络
2 . GRU 和 矩阵分解 的 推荐算法

1 . 基于 GRU 推荐算法
2 . 矩阵分解算法
3 . GRU 和 矩阵分解 的 混合推荐

---

结合 时间加权 和 LDA聚类 的混合推荐算法
2 . 相关研究

1 . 基于 用户的 协同过滤算法
2 . LDA 主题模型
3 . 问题描述 与 分析

3 . 时间加权 和 LDA聚类 的 混合推荐

1 . 结合 用户评分时刻 的时间加权预测
1.1 构造 表达时间差 的 时间柱 模型
1.2 计算 时间阈值 生成 时间加权 相似度
1.3 选取 最近邻 生成 时间加权预测 评分
2 . 结合 项目类型 的 LDA聚集 预测
2.1 进行LDA聚类 并 生成 主题项目簇
2.2 生成 用户主题 预测评分
2.3 计算 LDA聚类 的 预测评分
3 . 混合推荐 预测
4 . TLCA 算法描述
5 . TLCA 时间复杂度

4 . 实验结果 及 分析

3 . 算法相关参数确定实验
3.1 LDA 聚类 主题数目 确定
3.2 调节因子的确定

---

---

---