人工智能 - sdk社区 | 技术至上

更多

热门最新

2 年前 / 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，

3111 阅读

收藏
1 年前 / admin

2020保研面试经验分享（含真题）

2020保研面试经验分享（含真题）保研经历：夏令营面试经验：预推免面试经验：资料下载保研经历：本人211电子信息工程专业，2020年保研至北京大学硕士。以下为一些高校面试经验\面试真题。整理不易，欢迎点赞收藏~，感谢！夏令营：北大信科计算机系、浙大工程师学院、东南大学网安学院、华科国光国家重点实验室、中科大科学岛、北理工电信学院、山东大学电信学院预推免：北大软微、清华深圳电子通信项目、复旦通信系、中科院计算机学院学硕本人和几个同学建了一个QQ群：863284666 群里会发布院校报名信息，欢迎大

2870 阅读

收藏
1 年前 / SDK社区_运营团队

欢迎AI图像复活师Jackcui入驻sdk.cn

jackcui，一个热爱AI技术的算法工程师，热门博主，通过AI算法成功实现对知名的画作做了复活。比如AI复活明朝历代皇帝，来一场穿越时空的对话！在热门的延禧攻略，jackcui利用AI技术，让乾隆的后宫们从画中「复活」了一把。所基于的画像，是来自清代宫廷画师郎世宁的《心写治平》，修复后的画像，嘴也能动起来「说话」。除此之外，JackCui在图像方面也有非常多的有趣实践，比如：打工人的「周游世界」，AI算法帮你实现！百年老照片修复算法，那些高颜值的父母！偷天换日，逼真的天空置换算法！还有丰富的大

1740 阅读

收藏
2 年前 / 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

1506 阅读

收藏
1 年前 / Nexus_G / 学渣的推荐算法学习之路

推荐算法菜鸟的学习笔记（2）—— 群组推荐survey二次整理

A survey on group recommender systems论文记录1. 群组推荐系统的大多数现有方法可以大致分为：通过汇总单个成员个人资料并根据该个人资料推荐项目来创建个人资料（Kim等，2010）。通过向小组用户生成个性化推荐，然后将它们汇总为一个小组推荐（Kim and El Saddik 2015）。1.1 群组推荐系统也可以根据系统推荐的群组类型进行分类。基于组用户之间的交互，主要可以分为三种类型（Boratto和Carta 2010）。已建立的群组：一群基于共同兴趣明

1288 阅读

收藏
2 年前 / 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，

1180 阅读

收藏
1 年前 / Keyboarder

基于图网络的序列推荐系统（一）

序列推荐本质是根据用户在时序上的行为进行下一次物品推荐预测的任务，由于用户偏好和行为的动态性，在时序上完成精准预测和营销是相当困难的。为了获得准确的项目嵌入和考虑项目的复杂转换，AAAI 2019会议上提出了一种新的方法，即基于图神经网络的会话推荐系统，SR-GNN为简写。在该方法中，会话序列被建模为图形结构数据。基于会话图，GNN可以捕获复杂的物品的转换，这是以往传统顺序方法难以揭示的。然后，每一个会话（Session）都用一个注意力网络表示全局偏好和该会话当前兴趣的组成。论文在两个真实数据集

1176 阅读

收藏
2 年前 / 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

1134 阅读

收藏
2 年前 / 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，

1129 阅读

收藏
1 年前 / Nexus_G / 学渣的推荐算法学习之路

推荐算法菜鸟的学习笔记（1）—— 推荐系统的简单介绍

推荐系统 Recommender system1. 背景它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。2. 定义推荐系统有3个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。通用的推荐系统模型流程如图。推荐系统把用户模型中兴趣需求信

957 阅读

收藏
1 年前 / Keyboarder

FaceBook向量计算加速引擎Faiss简介

在推荐的召回阶段会产生大量的用户和物品向量，系统需要借助向量之间的计算关系来完成协同过滤等推荐算法。对于海量的向量数据，如何快速高效的完成向量计算是工业界推荐比较关注的问题。为此，Facebook提出了一个向量计算加速引擎---Faiss。向量操作Faiss可以处理固定维度d的向量集合, 向量集合被保存在矩阵中。我们假设行主存储, Faiss只能使用32位浮点矩阵, 主要需要以下两个矩阵： xb 为语料库向量集合。xq 为查询的向量集合。下面例子，我们将学习在d=64维空间中向量，是0-1均匀分

803 阅读

收藏
1 年前 / Nexus_G / 学渣的推荐算法学习之路

推荐算法菜鸟的学习笔记（5）—— XGBoost算法分享

XGBoost是什么XGBoost本质上是一个GBDT，但是力争把速度和效率发挥到极致，所以叫X (Extreme) GBoostedXGBoost 树定义定义与举例预测一家人对电子游戏的喜爱程度，考虑到年龄相比，年轻人更可能喜欢电子游戏，男性和女性相比，男性更喜欢电子游戏，故先根据年龄大小区分成年人和未成年人，然后再通过性别区分开是男是女，逐一给各人在电子游戏喜好程度上打分，如下图所示。就这样，训练出了2棵树tree1和tree2，类似之前GBDT的原理，两棵树的结论累加起来便是最终的结论，所

775 阅读

收藏
1 年前 / 鳄鱼不是鱼

程序员用技术在「抖音」上「撩妹」

头条有多火？很火，超级火！抖音有多火？比头条有过之而无不及。据说抖音国际版不仅称霸了东南亚市场，还在美国市场非常火爆，外国人被国内各种直播的神技所折服。抖音有多火？可以用一句话概括：犹如蝗虫经过之处，庄稼寸地不生。我平时一般都很忙，回到家会很晚，至少九点以后，平时周末在家的时候，只要和媳妇在一起的时候，我媳妇不是沉浸在头条里，就是遨游在火山和抖音这样的短视频中。我晚上回到家一般都是看书，写文章，回答问题。而我媳妇呢？我们在家一般都是这样的场景：我在看书或者写文章，这时，我媳妇问：你干啥呢？我：没

745 阅读

收藏
2 年前 / 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

741 阅读

收藏
1 年前 / king

基于Python的Climate Indices库计算SPEI(标准化降水蒸散发指数)02—站点SP

无论外界怎样，请平心静气地努力！文章目录前言1. 概述2. 版本2.1 山东青岛，2021年3月29日，Version1一、climte indices库中的indices.spei()的输入和输出二、基于climate_indices库计算站点SPEI1. 数据准备2. 站点特定尺度的spei的计算3. 和spei.exe计算结果的比较一、climte indices库中的indices.spei()的输入和输出关于climate indices库的用法介绍，可以参考climate_ind

713 阅读

收藏

加载中...