sin(x)

实现推荐系统引擎(二):物品排名

本文是作者开发gorse过程中做的笔记,主要偏向于算法和思想,具体的实现见GitHubGoDoc,如有错误,恳请指正。

前言

在前一篇博文《实现推荐系统引擎(一):评分预测》中已经简单地介绍了一些常用的评分预测算法,其中基于矩阵分解的算法已经到达了非常高的准确度,虽然之后有很多人提出了准确度更高的建模方法,但是提升的效果非常有限。然而,上一篇文章介绍的方法在很多现实情况中通常没有什么用,主要原因有:

Continue reading

论文阅读:推荐系统

暑假期间阅读了很多比较新的推荐系统方向论文,于是把相关笔记挂出来。

传统模型

使用多种采样条件实现地点推荐1

拟解决的主要问题

基于地点的推荐已经是基于地理位置的社交网路的重要功能之一。很多地点推荐模型使用了额外的信息来提升推荐的性能,然而他们都只在负采样中使用了一种额外信息,而本文同时结合了地理影响和社交关联。

分析目前主流结合地理影响和社交关联的推荐方法时,主要发现了以下四个局限性

  • 局限一:负样本是通过均匀采样得到的。
  • 局限二:采样方法基于预先定义的地理环境采样方式。
  • 局限三:采样方法基于预先定义的社交关联采样方式。
  • 局限四:事先假设定义的采样方法不足以和多种额外信息进行灵活结合。
  1. Manotumruksa, Jarana, Craig Macdonald, and Iadh Ounis. “A Personalised Ranking Framework with Multiple Sampling Criteria for Venue Recommendation.” Proceedings of the 2017 ACM on Conference on Information and Knowledge Management. ACM, 2017. 

Continue reading

实现推荐系统引擎(一):评分预测

本文是作者开发gorse过程中做的笔记,主要偏向于算法和思想,具体的实现见GitHubGoDoc,如有错误,恳请指正。

前言

近期在实验室学习推荐系统相关的内容,学习的最好方式就是自己实现各种算法,同时最近也偶然接触了GO语言,所以就尝试着用GO语言实现一个推荐系统引擎gorse(词义为“金雀花”)。目前比较流行的推荐系统相关的开源项目有LibRec1Suripse2,绝大多数采用Python、C++和Java实现,GO相比较于这些编程语言有以下优点:

  1. G. Guo, J. Zhang, Z. Sun and N. Yorke-Smith, LibRec: A Java Library for Recommender Systems, in Posters, Demos, Late-breaking Results and Workshop Proceedings of the 23rd Conference on User Modelling, Adaptation and Personalization (UMAP), 2015. 

  2. Hug, Nicolas. Surprise, a Python library for recommender systems. http://surpriselib.com, 2017. 

Continue reading

打断一次旅游骗局

骗局其实进行得非常顺利,没有我的存在的话已经成功了。

廉价游

暑假在正式入学之前,实验室安排我们准研究生早点去实验室适应。正值妹妹放暑假,爸妈也准备带妹妹去魔都逛一下,同时也陪我去实验室报到。

魔都到各个景点的交通挺方便的,但是比较懒,爸妈订了旅行社的一日游,他们这样安排,我也就跟着就行。

低端的旅行社行程自然就少不了购物点,这个还是可以理解的。购物点的营业员疯狂推销,不过尚在正常买卖之内。不过这次遇到的玉石购物点让我打开眼界,体验的过程绝对值回票价,如果不是父母被洗脑让我大动肝火,我还是喜欢这个过程的。

Continue reading

在《程序员升职记》编程序

毕业设计已经大致完成,在比较闲暇的时间里终于完成了《程序员升职记》这款编程游戏。这款游戏对应的计算机专业课程应当是汇编程序设计,作为一个科班出身的码农,对于编程这项工作再熟悉不过,然而事情并没有那么简单。

Continue reading

« Older posts

Copyright © 2019 sin(x)

Theme by Anders Noren, host by Coding PagesUp ↑