详解SLIM与GLSLIM推荐模型
来源:互联网 发布:java工程师面试题大全 编辑:程序博客网 时间:2024/06/07 20:35
一、介绍
SLIM模型是明尼苏达大学2011年的论文,点击打开链接这是文章链接。GLSLIM是今年推荐系统顶会RecSys的 best paper,新鲜出炉Local Item-Item Models for Top-N Recommendation 。网上还没有解释过SLIM的博文,所以写在这里(全网首发哦,转载请注明出处),希望和大家分享,如果有错误的地方,也希望大家批评建议。
Top-N 推荐系统一直是热门问题,它的解决算法一般分为两大类:neighborhood-based 和 model-based。 neighborhood-based 大家都很熟悉,用各种距离度量方式计算出用户之间(user-based)或者物品之间(item-based)的近似度,然后类似于KNN算法,根据该用户(物品)的最相似的 k 个用户(物品)来进行推荐,这种算法只用了用户行为数据,可解释性强,容易实现,得益于用户行为矩阵的稀疏性,运算非常快。Youtube之前的视频推荐算法,是content-based和item-based结合,根据用户行为,只计算同一topic下的视频的相似度,这样避免了用户行为数据里的噪音,并且相对普通的item-based算法,更好地利用了长尾数据,增强了推荐系统的覆盖率,并且在改进算法中结合model-based,效果进一步提升。Model-based一般是指根据用户行为数据矩阵进行矩阵分解或者用模型来学习用户、物品隐变量,用学习到的低rank的用户矩阵、物品矩阵相乘来预测结果,典型算法有SVD, SVD++, ALS算法等等。 Neighborhood-based的优势是计算速度快(毕竟不需要有训练、学习的过程),但是速度是牺牲在推荐效果上的。Model-based算法推荐效果会优于neighborhood-based算法,但是推荐效果的提升是在算法训练时间大幅上涨的前提下。那么,有没有一种算法可以既提升neighborhood-based算法的效果,又提升model-based算法的运行时间呢?答案就是SLIM算法。
二、SLIM
1. SLIM 介绍
2. SLIM 的优势
好了不卖关子啦,答案是如果没有这个对角线限制,与 A 相乘之后,为了减小误差函数,会倾向于只推荐它自己,所以我们要保证一个已知的行为得分不会用于预测他自己的计算。
三、 从SLIM到GLSLIM
1. 思路
2. GLSLIM
3. LSLIM 和 GLSLIMr0
个人感觉 GLSLIM 的计算量确实大了些,训练时间比起 SLIM 几何倍增加,短时间内应该很难进行工业实现。谢谢能看到这里的朋友~ 转载请注明出处~
- 详解SLIM与GLSLIM推荐模型
- SLIM推荐模型及分析
- SLIM模型
- Slim使用详解
- Tensorflow使用slim工具(vgg16模型)实现图像分类与分割
- Tensorflow使用slim工具(vgg16模型)实现图像分类与分割
- 推荐系统——协同过滤与隐语义模型详解
- slim
- LDA话题模型与推荐系统
- LDA话题模型与推荐系统
- TF-slim 调用slim提供的网络模型训练自己的数据
- [Tensorflow]基于slim框架下inception模型的植物识别
- 谷歌开源图像分类工具TF-Slim,定义TensorFlow复杂模型
- Tensorflow 使用slim框架下的分类模型进行分类
- Tensorflow 使用slim框架下的分类模型进行分类
- Mahout推荐算法API详解与实例
- 基于记忆与基于模型的推荐系统对比
- python实现三元语言模型与输入法推荐
- 【AKKA 官方文档翻译】第二部分:创建第一个actor
- OpenGLES2.0基础(5)
- js中Base64
- macbook磁盘容量不够了!!!
- 点餐系统开发总结:
- 详解SLIM与GLSLIM推荐模型
- 【AKKA 官方文档翻译】第三部分:与设备Actor一起工作
- java代码中init method和destroy method的三种使用方式
- 大数据学习系列之五 ----- Hive整合HBase图文详解
- codeforces 41A Translation
- 各种浏览器下的页面元素xpath获取方法
- OS安全机制之访问控制机制
- 缺省配置Springboot Web应用运行中DispatchServlet的初始化
- 语音信号处理之动态时间规整(DTW)