人工智能 - sdk社区 | 技术至上

更多

热门最新

1 个月前 / Keyboarder

谷歌推荐系统框架 (一) —— 基本架构

推荐系统框架基本模式候选集生成在第一阶段，==系统从潜在的庞大语料库开始，并生成更小的候选集==。例如，YouTube中的候选生成器将数十亿个视频减少到数百或数千。考虑到语料库的庞大规模，该模型需要快速评估查询。给定模型可以提供多个候选生成器，每个候选生成器都指定候选的不同子集评分接下来，==另一个模型对候选者进行评分和排名==，以便选择要显示给用户的项目集（大约10个）。由于此模型评估的是项目的相对较小子集，因此系统可以依靠其他查询来使用更精确的模型。重排序最后，系统必须考虑最终排名的

1 赞

1 评论

收藏
1 个月前 / Keyboarder

谷歌推荐系统框架 (三) —— 深度模型推荐

深度模型推荐矩阵分解的一些限制包括：使用辅助功能（即查询ID /项目ID以外的任何功能）的难度。结果，只能使用训练集中存在的用户或项目来查询模型。推荐的相关性。正如您在第一个Colab中所看到的那样，倾向于向所有人推荐热门商品，尤其是在使用点积作为相似性度量时。最好捕获特定的用户兴趣。深度神经网络（DNN）模型可以解决矩阵分解的这些限制。 DNN可以轻松地合并查询功能和项目功能（由于网络输入层的灵活性），这可以帮助捕获用户的特定兴趣并提高建议的相关性。Softmax DNN推荐一种可能的D

1 赞

1 评论

收藏
1 个月前 / Keyboarder

谷歌推荐系统框架 (二) —— 协同过滤算法

候选集生成算法1：基于物品的协同过滤算法基于内容的过滤使用项目功能根据其先前的操作或明确的反馈来推荐其他与用户喜欢的项目类似的项目。为了演示基于内容的过滤，让我们为Google Play商店手动设计一些功能。下图显示了一个功能矩阵，其中每一行代表一个应用程序，每一列代表一个功能。功能可能包括类别（例如，教育，休闲，健康），应用程序的发布者等。为简化起见，假设此功能矩阵是二进制的：非零值表示应用程序具有该功能。还可以在同一要素空间中代表用户。一些与用户相关的功能可以由用户明确提供。例如，

1 赞

1 评论

收藏
1 个月前 / Keyboarder

谷歌推荐系统框架 (四) —— 深度模型训练

Softmax训练前一页介绍了如何将softmax层合并到推荐系统的深度神经网络中。该页面将仔细查看该系统的培训数据。训练数据softmax训练数据由查询特征x和与用户进行交互的项目向量组成（表示为概率分布p）。在下图中，这些标记为蓝色。模型的变量是不同层中的权重。在下图中，这些标记为橙色。通常使用随机梯度下降的任何变体来训练模型。负采样由于损失函数会比较两个概率向量$p,\hat p(x) \in R^n$（分别是ground truth和模型的输出），因此如果损失损失的梯度（对于单

1 赞

0 评论

收藏
15 天前 / Keyboarder

图卷积神经网络介绍

GCN概述GCN(图卷积网络)是一种基于图的神经网络, 它可以借助神经网络的特性描述图上节点在高维的拓扑关系。假设有一批图数据，其中有N个节点，每个节点都有自己的特征，假设这些节点的特征组成一个N×D维的矩阵X，然后各个节点之间的关系也会形成一个N×N维的矩阵A，也称为邻接矩阵。X和A便是我们模型的输入:这个公式中：A波浪=A+I，I是单位矩阵D波浪是A波浪的度矩阵（degree matrix），公式为H是每一层的特征，对于输入层的话，H就是Xσ是非线性激活函数我们先不用考虑为什么要这样去设计一

1 赞

0 评论

收藏
6 天前 / Keyboarder

工业界常用的推荐框架(一)---基本召回模型

常见的基本召回模型主要有以下三种：模型召回用户行为序列召回用户多兴趣拆分召回下面对这些方法进行简要的介绍模型召回主要根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品常用的召回策略：一般都用Embedding的思想，生成物品和用户的向量，计算其相似性上图是一个工业界通用的模型召回框架：将用户和物品分开打Embedding，利用FaceBook提供的Faiss框架进行高效的存取。（FM/FFM/DNN等双塔模型）小Trick：==几个环节（召回、粗排、精排、重排）优化目标（l

0 赞

0 评论

收藏
8 天前 / Keyboarder

基于图卷积的协调过滤推荐算法(NGCF)

NGCF：论文链接图卷积在推荐领域的应用算是近期的大热门，最近拜读了何向南大佬的研究组（有兴趣的可以follow一下大佬的主页~~）发在SIGIR 2019上的基于图卷积的推荐模型--NGCF，对大佬们的工作进行了一些笔记和简要介绍。==首先利用用户和物品的交互矩阵完成图的初始化，利用用户和物品的交互构造图：==物品和用户的初始化Embedding:一层结构：第一步信息构建：利用i来构建u的向量（反过来也行）$N_u$和$N_i$分别用户u和物品i的一阶邻居数量第二步：信息聚合：将所有邻居求和，

1 赞

1 评论

收藏
16 天前 / Keyboarder

谷歌推荐系统框架 (五) —— 召回、评分、重排序

召回策略（生成候选集）== 假设您有一个嵌入模型。给定用户，您将如何决定推荐哪些项目？==在服务时，给定查询，首先需要执行以下一项操作：对于矩阵分解模型，查询（或用户）嵌入是静态已知的，并且系统可以简单地从用户嵌入矩阵中查找查询。对于DNN模型，系统通过在特征向量x上运行网络来计算服务时间的查询嵌入ψ（x）。==查询嵌入q后，在嵌入空间中搜索与q接近的项嵌入$V_j$。这是最近的邻居问题。例如，您可以根据相似性得分$s（q，Vj）$返回前k个项目。==可以在相关项目建议中使用类似的方法。

1 赞

0 评论

收藏
9 天前 / Keyboarder

Youtube推荐系统

Youtube推荐系统代码地址：YouTubeDNNYouTube代表了现有规模最大，最复杂的行业推荐系统之一。论文从高层次描述了该系统，并着重于深度学习带来的显着性能提升。论文根据经典的两阶段信息检索二分法进行拆分：首先详细介绍了一个深层候选生成模型，然后描述了一个单独的深度排名模型。论文还提供从设计，迭代和维护具有巨大影响力的庞大推荐系统中获得的实践经验教训和见解。基本架构：候选集生成模型的的一部分是候选集生成，也就是现在常说的召回模块：基本的过程就是将千万乃至亿万级别的数据缩减为千百级

0 赞

0 评论

收藏
6 天前 / DerekGrant / 苏州谷歌开发者社区

SVM 支持向量机

支持向量机（support vector machines, SVM）是一种二分分类模型。他的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别与别的感知机；支持向量机还包括核技巧，这使它成为实质上的非线性分类器。支持向量机的学习策略就是间隔最大化，可形式化为一个求解凸二次规划（convex quadratic programming）的问题，也等价于正则化的合页损失函数最小化问题。支持向量机的学习算法是求解凸二次规划的最优算法。注：凸二次规划中，局部最优解就是全局最优解。支持向

0 赞

0 评论

收藏
11 小时前 / DerekGrant / 苏州谷歌开发者社区

Ubuntu16.04 下安装GPU版TensorFlow（包括Cuda和Cudnn）

因为windows只支持py3版本的tensorflow，而很多项目是用py2构建的，所以我又尝试在Ubuntu16.04中再次安装GPU版的tensorflow。我们需要安装的内容有Cuda8.0和Cudnn5.1和tensorflow-gpu。硬件检测检查你的显卡是否可以安装Cuda首先，你要有一块NVIDA的显卡，然后性能评分要大于3.0TensorFlow GPU support requires having a GPU card with NVidia Compute Capabil

2 赞

0 评论

收藏
11 小时前 / DerekGrant / 苏州谷歌开发者社区

【转载】关于机器学习的领悟与反思

作者介绍张志华教授北京大学数学学院教授，北京大数据研究院高级研究员。曾在浙江大学和上海交通大学计算机系任教。主要从事机器学习与应用统计等领域的教学与科研工作。近年来，人工智能的强势崛起，特别是去年AlphaGo和韩国九段棋手李世石的人机大战，让我们深刻地领略到了人工智能技术的巨大潜力。数据是载体，智能是目标，而机器学习是从数据通往智能的技术、方法途径。因此，机器学习是数据科学的核心，是现代人工智能的本质。通俗地说，机器学习就是从数据中挖掘出有价值的信息。数据本身是无意识的，它不能自动呈现出有用

0 赞

0 评论

收藏
2 天前 / Keyboarder

LightFM推荐模型库

LightFM模型库简介：混合矩阵分解模型通常，大多数推荐模型可以分为两类：基于内容的模型协同过滤模型基于内容的模型基于项目和/或用户的描述/元数据/配置文件的相似性来推荐。另一方面，协同过滤模型计算用户和项目的潜在因素基于这样的假设：如果一群人对某个物品表达相似的意见，那么这些人在其他物品上往往会有相似的意见。两种模型之间的选择主要取决于数据的可用性。例如，当已经为一组用户和项目记录了足够的评分/反馈时，通常采用协同过滤模型并且该模型有效。但是，如果缺少评分，则可以使用基于内容的模型，

0 赞

0 评论

收藏
11 小时前 / DerekGrant / 苏州谷歌开发者社区

Windows10下安装原生TensorFlow GPU版

下载 CUDA 8.0 和 cuDNN v6 for CUDA 8.0（下载cuDNN需要先注册NVIDIA开发账户并登录才能看到下载界面）CUDA 9 要TF 1.5版本才支持安装CUDA解压cuDNN到一个你喜欢的位置，复制文件夹的绝对路径并加到 PATH 环境变量去，然后把该文件夹下的bin文件夹的路径也放到PATH里去安装Anaconda Python 3.5 version：注意windows tf 仅支持 python 3.5安装 tf为了避免之后使用 pip 安装 tf 报错，请先

0 赞

0 评论

收藏

没有更多文章了