Suche senden
Hochladen
动态推荐系统关键技术研究
•
Als PPTX, PDF herunterladen
•
3 gefällt mir
•
2,641 views
Liang Xiang
Folgen
博士答辩PPT
Weniger lesen
Mehr lesen
Technologie
Melden
Teilen
Melden
Teilen
1 von 49
Jetzt herunterladen
Empfohlen
A apresentação traz uma olhar teórico sobre o conceito de marketing e em seguida se debruça no uso de mídias sociais e no trabalho de marketing por bibliotecários seguindo os acertos, os erros e as perspectivas.
Marketing, mídias sociais e bibliotecas: acertos, erros e perspectivas
Marketing, mídias sociais e bibliotecas: acertos, erros e perspectivas
Jorge Prado
Aula 2 taxonomias gisele
Aula 2 taxonomias gisele
Gisele Dziekaniak
Whether you are building an e-commerce site or a business application, security is a key consideration when architecting your website or application. In this session, you will learn more about some of the things Amazon CloudFront does behind the scenes to protect the delivery of your content such as OCSP Stapling and Perfect Forward Secrecy. You will also learn how you can use AWS Web Application Firewall (AWS WAF) with CloudFront to protect your site. Finally, we will share best practices on how you can use CloudFront to securely deliver content end-to-end, control who accesses your content, how to shield your origins from the Internet, and getting an A+ on SSL labs.
Secure Content Delivery Using Amazon CloudFront and AWS WAF
Secure Content Delivery Using Amazon CloudFront and AWS WAF
Amazon Web Services
推荐系统规划
推荐系统规划
推荐系统规划
2005000613
Recommend System 推荐系统实践 从入门到精通
项亮 推荐系统实践 从入门到精通
项亮 推荐系统实践 从入门到精通
topgeek
淘宝的推荐系统实践经验分享
空望 推荐系统@淘宝
空望 推荐系统@淘宝
topgeek
推荐与广告
推荐与广告
agawu
腾讯大讲堂15 市场研究及数据分析理念及方法概要介绍
腾讯大讲堂15 市场研究及数据分析理念及方法概要介绍
腾讯大讲堂15 市场研究及数据分析理念及方法概要介绍
PMCamp
Empfohlen
A apresentação traz uma olhar teórico sobre o conceito de marketing e em seguida se debruça no uso de mídias sociais e no trabalho de marketing por bibliotecários seguindo os acertos, os erros e as perspectivas.
Marketing, mídias sociais e bibliotecas: acertos, erros e perspectivas
Marketing, mídias sociais e bibliotecas: acertos, erros e perspectivas
Jorge Prado
Aula 2 taxonomias gisele
Aula 2 taxonomias gisele
Gisele Dziekaniak
Whether you are building an e-commerce site or a business application, security is a key consideration when architecting your website or application. In this session, you will learn more about some of the things Amazon CloudFront does behind the scenes to protect the delivery of your content such as OCSP Stapling and Perfect Forward Secrecy. You will also learn how you can use AWS Web Application Firewall (AWS WAF) with CloudFront to protect your site. Finally, we will share best practices on how you can use CloudFront to securely deliver content end-to-end, control who accesses your content, how to shield your origins from the Internet, and getting an A+ on SSL labs.
Secure Content Delivery Using Amazon CloudFront and AWS WAF
Secure Content Delivery Using Amazon CloudFront and AWS WAF
Amazon Web Services
推荐系统规划
推荐系统规划
推荐系统规划
2005000613
Recommend System 推荐系统实践 从入门到精通
项亮 推荐系统实践 从入门到精通
项亮 推荐系统实践 从入门到精通
topgeek
淘宝的推荐系统实践经验分享
空望 推荐系统@淘宝
空望 推荐系统@淘宝
topgeek
推荐与广告
推荐与广告
agawu
腾讯大讲堂15 市场研究及数据分析理念及方法概要介绍
腾讯大讲堂15 市场研究及数据分析理念及方法概要介绍
腾讯大讲堂15 市场研究及数据分析理念及方法概要介绍
PMCamp
Sns与系统架构浅谈
Sns与系统架构浅谈
taobaby365
recommendation system
Recommendation system
Recommendation system
光明 赵
Empirical analysis of the impact of Recommender Systems on Sales
Empirical analysis of the impact of Recommender Systems on Sales
sallyke41
UX RESEARCH
User Research Report_Pan
User Research Report_Pan
Mingde Pan
产品思考
产品思考
产品思考
yamingd
Resys China 创刊号
Resys China 创刊号
gu wendong
privacy file for share
Baidu pm心得分享
Baidu pm心得分享
磊 张
「沙中撈金術」﹣談開放原始碼的推薦系統
「沙中撈金術」﹣談開放原始碼的推薦系統
建興 王
软件工程 第三章
软件工程 第三章
浒 刘
Recommender Systems in E-Commerce V2.0
Recommender Systems in E-Commerce V2.0
chuan liang
資訊科技策略方格-羅靖婷 陳盈穎 李怡叡 王朝川
資訊科技策略方格-羅靖婷 陳盈穎 李怡叡 王朝川
r201719
About face ch 5
About face ch 5
Hans Shih
Beta
Beta
roytanlu
运营
《社区运营的五项修炼》
《社区运营的五项修炼》
linpython
Recommendation survey and summary
Recommendation survey and summary
Stefanie Zhao
0407 contextual enquiry and usability test for massage chair
0407 contextual enquiry and usability test for massage chair
Yao Lining
Learn how to cluster the data by using Kmeans alogorithm
2_學院碩士班_分群模型_20220606.pdf
2_學院碩士班_分群模型_20220606.pdf
FEG
南开大学商学院管理信息系统课件
管理信息系统
管理信息系统
avatarism
「活用您的Big Data,實現線上服務行銷的精準推薦」 5.24 @ 六福皇宮 13:30-14:10 - Track: Big Data for Cloud Service 主講者:陳育杰 / Etu 資深協理 《議題簡介》 在這個資訊氾濫的時代,每個人都希望可以只接收或看到自己感興趣的內容,不論是新聞、商品訊息、甚至是廣告。也因此,對於所有的企業來說,如何針對你的客戶做到更精準的推薦,變得是一個越來越重要且無可避免的一個課題,更正確的說,精準行銷的核心正是來自於精準的...... 推薦。Amazon 的推薦機制(Recommendation)對於新客戶轉化率的提升與舊客戶每筆訂單金額的提高,一直是所有電子商務公司的一個典範。而精準推薦並不是只可以用在線上的服務,今天不論是虛擬或實體的通路,如何隨時提供客戶感興趣的推薦清單,以維持客戶忠誠度並提高銷售金額,都是企業成長獲利的一大關鍵。在這個演講當中,Etu 團隊將為你介紹如何運用 Big Data 處理與分析的技術,讓企業可以很方便的來分析線上與實體的客戶和商品的購買或瀏覽的關聯性,並輕易地建構出對客戶有效的推薦清單。
活用您的 Big Data,實現線上服務行銷的精準推薦
活用您的 Big Data,實現線上服務行銷的精準推薦
Etu Solution
数据模型的应用 开源数据分析工具介绍 大数据的处理
用户研究中的数据分析
用户研究中的数据分析
Yong Zhang
Recommender system algorithm and architecture
Recommender system algorithm and architecture
Liang Xiang
Recommender system introduction
Recommender system introduction
Liang Xiang
Weitere ähnliche Inhalte
Ähnlich wie 动态推荐系统关键技术研究
Sns与系统架构浅谈
Sns与系统架构浅谈
taobaby365
recommendation system
Recommendation system
Recommendation system
光明 赵
Empirical analysis of the impact of Recommender Systems on Sales
Empirical analysis of the impact of Recommender Systems on Sales
sallyke41
UX RESEARCH
User Research Report_Pan
User Research Report_Pan
Mingde Pan
产品思考
产品思考
产品思考
yamingd
Resys China 创刊号
Resys China 创刊号
gu wendong
privacy file for share
Baidu pm心得分享
Baidu pm心得分享
磊 张
「沙中撈金術」﹣談開放原始碼的推薦系統
「沙中撈金術」﹣談開放原始碼的推薦系統
建興 王
软件工程 第三章
软件工程 第三章
浒 刘
Recommender Systems in E-Commerce V2.0
Recommender Systems in E-Commerce V2.0
chuan liang
資訊科技策略方格-羅靖婷 陳盈穎 李怡叡 王朝川
資訊科技策略方格-羅靖婷 陳盈穎 李怡叡 王朝川
r201719
About face ch 5
About face ch 5
Hans Shih
Beta
Beta
roytanlu
运营
《社区运营的五项修炼》
《社区运营的五项修炼》
linpython
Recommendation survey and summary
Recommendation survey and summary
Stefanie Zhao
0407 contextual enquiry and usability test for massage chair
0407 contextual enquiry and usability test for massage chair
Yao Lining
Learn how to cluster the data by using Kmeans alogorithm
2_學院碩士班_分群模型_20220606.pdf
2_學院碩士班_分群模型_20220606.pdf
FEG
南开大学商学院管理信息系统课件
管理信息系统
管理信息系统
avatarism
「活用您的Big Data,實現線上服務行銷的精準推薦」 5.24 @ 六福皇宮 13:30-14:10 - Track: Big Data for Cloud Service 主講者:陳育杰 / Etu 資深協理 《議題簡介》 在這個資訊氾濫的時代,每個人都希望可以只接收或看到自己感興趣的內容,不論是新聞、商品訊息、甚至是廣告。也因此,對於所有的企業來說,如何針對你的客戶做到更精準的推薦,變得是一個越來越重要且無可避免的一個課題,更正確的說,精準行銷的核心正是來自於精準的...... 推薦。Amazon 的推薦機制(Recommendation)對於新客戶轉化率的提升與舊客戶每筆訂單金額的提高,一直是所有電子商務公司的一個典範。而精準推薦並不是只可以用在線上的服務,今天不論是虛擬或實體的通路,如何隨時提供客戶感興趣的推薦清單,以維持客戶忠誠度並提高銷售金額,都是企業成長獲利的一大關鍵。在這個演講當中,Etu 團隊將為你介紹如何運用 Big Data 處理與分析的技術,讓企業可以很方便的來分析線上與實體的客戶和商品的購買或瀏覽的關聯性,並輕易地建構出對客戶有效的推薦清單。
活用您的 Big Data,實現線上服務行銷的精準推薦
活用您的 Big Data,實現線上服務行銷的精準推薦
Etu Solution
数据模型的应用 开源数据分析工具介绍 大数据的处理
用户研究中的数据分析
用户研究中的数据分析
Yong Zhang
Ähnlich wie 动态推荐系统关键技术研究
(20)
Sns与系统架构浅谈
Sns与系统架构浅谈
Recommendation system
Recommendation system
Empirical analysis of the impact of Recommender Systems on Sales
Empirical analysis of the impact of Recommender Systems on Sales
User Research Report_Pan
User Research Report_Pan
产品思考
产品思考
Resys China 创刊号
Resys China 创刊号
Baidu pm心得分享
Baidu pm心得分享
「沙中撈金術」﹣談開放原始碼的推薦系統
「沙中撈金術」﹣談開放原始碼的推薦系統
软件工程 第三章
软件工程 第三章
Recommender Systems in E-Commerce V2.0
Recommender Systems in E-Commerce V2.0
資訊科技策略方格-羅靖婷 陳盈穎 李怡叡 王朝川
資訊科技策略方格-羅靖婷 陳盈穎 李怡叡 王朝川
About face ch 5
About face ch 5
Beta
Beta
《社区运营的五项修炼》
《社区运营的五项修炼》
Recommendation survey and summary
Recommendation survey and summary
0407 contextual enquiry and usability test for massage chair
0407 contextual enquiry and usability test for massage chair
2_學院碩士班_分群模型_20220606.pdf
2_學院碩士班_分群模型_20220606.pdf
管理信息系统
管理信息系统
活用您的 Big Data,實現線上服務行銷的精準推薦
活用您的 Big Data,實現線上服務行銷的精準推薦
用户研究中的数据分析
用户研究中的数据分析
Mehr von Liang Xiang
Recommender system algorithm and architecture
Recommender system algorithm and architecture
Liang Xiang
Recommender system introduction
Recommender system introduction
Liang Xiang
Kddcup2011
Kddcup2011
Liang Xiang
Phd. Thesis : Temporal Recommendation
Phd. Thesis : Temporal Recommendation
Liang Xiang
博士论文答辩PPT
动态推荐系统关键技术研究
动态推荐系统关键技术研究
Liang Xiang
How to do model ensemble
How to do model ensemble
Liang Xiang
Temporal recommendation on graphs via long and short-term
Temporal recommendation on graphs via long and short-term
Liang Xiang
Mehr von Liang Xiang
(7)
Recommender system algorithm and architecture
Recommender system algorithm and architecture
Recommender system introduction
Recommender system introduction
Kddcup2011
Kddcup2011
Phd. Thesis : Temporal Recommendation
Phd. Thesis : Temporal Recommendation
动态推荐系统关键技术研究
动态推荐系统关键技术研究
How to do model ensemble
How to do model ensemble
Temporal recommendation on graphs via long and short-term
Temporal recommendation on graphs via long and short-term
动态推荐系统关键技术研究
1.
动态推荐系统关键技术研究 项亮 指导老师:杨青
研究员
2.
主要内容 引言 动态评分预测问题
动态Top-N推荐问题 时效性的影响 动态推荐系统原型 小结与展望 2 Recommender System
3.
引言 推荐系统的主要任务 帮助用户发现他们可能感兴趣的内容(个性化推荐系统)
将内容投放给可能会对它们感兴趣的用户(个性化广告) 推荐系统无论在工业界还是学术界都是一个重要的研究热点。 3
4.
引言 著名商业推荐系统 4
5.
引言 推荐系统的主要算法 按照使用数据分:
协同过滤 :用户行为数据 内容过滤 : 用户内容属性和物品内容属性 社会化过滤:用户之间的社会网络关系 按照模型分: 最近邻模型:基于用户/物品的协同过滤算法 Latent Factor Model:基于矩阵分解的模型 图模型:二分图模型,社会网络图模型 5
6.
引言 推荐系统中常见的时间效应 用户兴趣的变化
物品流行度的变化 季节效应 6
7.
引言 协同过滤数据集: {(用户,物品,行为,时间)}
问题: 通过研究用户的历史行为和兴趣爱好,预测用户将来的行为和喜好。 是用户集合, 是物品集合, 是时间集合 7
8.
主要内容 引言 动态评分预测问题
动态Top-N推荐问题 时效性的影响 动态推荐系统原型 小结与展望 8
9.
问题简述 数据集:显性反馈数据集 {(用户,物品,评分,时间)}
问题定义 给定用户u,物品i,时间t,预测用户u在时间t对物品i的评分 9
10.
相关研究 时间无关的评分预测问题算法 基于用户/物品的协同过滤算法
基于矩阵分解的模型 Latent Factor Model 受限波尔兹曼机 RBM 时间相关的评分预测问题算法 用户会喜欢和他们最近喜欢的物品相似的物品 用户会喜欢和他们兴趣相似的用户最近喜欢的物品 10
11.
时间效应 时间效应一:全局平均分的变化 Netflix数据集中用户评分平均分随时间的变化曲线
11
12.
时间效应 时间效应二:物品平均分的变化 Netflix数据集中物品平均分随物品在线时间的变化曲线
12
13.
时间效应 时间效应三:用户偏好的变化 13
14.
时间效应 时间效应四:用户兴趣的变化 用户对物品的兴趣会随时间发生改变。
年龄增长:青年->中年 生活状态变化:学生->工作 社会热点影响:北京奥运会 14
15.
时间效应 时间效应五:季节效应 15
16.
模型和算法 用户兴趣模型 时间无关的Latent
Factor Model (RSVD) 时间相关的Latent Factor Model (TRSVD) 3 5 1 5 3 2 2 4 4 2 3 4 5 1 2 16
17.
模型和算法 Tensor分解 17
物品 用 户 时间
18.
模型和算法 模型优化 18
19.
模型和算法 季节效应 19
20.
实验分析 数据集(Netflix数据集) 评测指标
20
21.
实验分析 实验结果 TRSVD和RSVD模型在Probe测试集上的RMSE比较
21
22.
实验分析 实验结果 季节效应的影响
22
23.
主要内容 引言 动态评分预测问题
动态Top-N推荐问题 时效性的影响 动态推荐系统原型 小结与展望 23
24.
问题简述 数据集:隐性反馈数据集 {(用户,物品,时间)}
问题定义 给定用户u,时间t,预测用户u在时间t可能会喜欢的物品列表R(u) 24
25.
相关研究 基于邻域的协同过滤算法 ItemCF:推荐给用户那些和他们之前喜欢的物品类似的物品
UserCF:推荐给用户那些和他们兴趣相似的用户喜欢的物品 基于评分数据的Top-N推荐算法 推荐给用户那些他们可能评分最高的物品 25
26.
时间效应 用户兴趣分为短期兴趣和长期兴趣 短期兴趣:临时,易变
长期兴趣:长久,稳定 短期兴趣可能会转化为长期兴趣 26 因此,需要在推荐系统中综合考虑用户的长期兴趣和短期兴趣。
27.
28.
两个顶点之间的路径比较短;
29.
两个顶点之间的路径不经过有很大出度的顶点。个性化推荐问题可以转变为计算用户节点和物品节点的相关性的问题。 c C
d D 27
30.
模型和算法 路径融合算法 找出用户顶点和物品顶点之间的最短路径;
计算每条最短路径的权重; 将所有最短路径的权重线性叠加作为最终用户对物品喜好程度的度量。 28
31.
模型和算法 用户时间段图模型 顶点权重定义
A a A:1 A:2 b B B:1 c 用户u对物品i的兴趣函数: B:2 29
32.
模型和算法 基于图的个性化推荐算法 30
P(A,c,2) A A A A A A a a a a a a A:1 A:1 A:1 A:1 A:1 A:1 A:2 A:2 A:2 A:2 A:2 A:2 b b b b b b B B B B B B B:1 B:1 B:1 B:1 B:1 B:1 c c c c c c B:2 B:2 B:2 B:2 B:2 B:2
33.
实验分析 数据集 CiteULike
: 4607个用户,16,054篇论文和109,364条用户和论文之间的关系记录 Delicious : 8,861个用户,3,257篇网页和59,694条用户和网页之间的收藏关系记录 评测指标 31
34.
实验分析 实验结果 CiteULike
Delicious 32
35.
实验分析 实验结果 CiteULike
Delicious 33
36.
主要内容 引言 动态评分预测问题
动态Top-N推荐问题 时效性的影响 动态推荐系统原型 小结与展望 34
37.
问题简述 每个在线系统都是一个动态系统,但它们有不同的演化速率。 新闻,博客演化的很快,但音乐,电影的系统演化的却比较慢。
不同演化速率的系统需要不同类型的推荐算法。 Fast Slow 35
38.
在线系统的变化速率 这幅图显示了不同系统,相似热门度的物品的平均生存周期。 一个物品的生存周期定义为该物品被至少一个用户关注过的天数。
36
39.
在线系统的变化速率 这幅图显示了不同系统,相隔t天的两天,item热门程度的相似度。 图表显示,NYTimes的演化很快,相隔1天,item的热门程度就会有很大的变化。而对于Netflix,即使过了2个月,热门电影也没有太大的变化
37
40.
模型和算法 时间段图模型 38
a A A b A a B A:1 c a a:1 A:1 A:2 b A:2 b B b:1 B c B:1 c B:1 (A,a,1) (A,c,2) (B,b,1) (B,c,2) c:2 B:2 B:2
41.
模型和算法 时间段图模型 39
顶点权重定义 A a A:1 a:1 A:2 b B b:1 c B:1 用户u对物品i的兴趣函数: c:2 B:2
42.
实验分析 数据集 评测指标
Precision/Recall 40
43.
实验分析 实验结果 41
8种算法在5个数据集上的召回率(N = 20)
44.
时效性的影响 实验结果 42
45.
43
46.
主要内容 引言 动态评分预测问题
动态Top-N推荐问题 时效性的影响 动态推荐系统原型 小结与展望 44
47.
动态推荐系统原型 推荐系统架构 45
用户行为数据库 用户界面 日志系统 推荐引擎
48.
用户行为数据库 行为提取和分析 用户行为模型
用户兴趣特征 相似度表 相关推荐 初步推荐结果 用户反馈模型 推荐解释 结果过滤和排名 最终推荐结果 离线系统 在线系统 动态推荐系统架构 46
49.
主要内容 引言 动态评分预测问题
动态Top-N推荐问题 时效性的影响 动态推荐系统原型 小结与展望 47
50.
小结与展望 小结 基于矩阵分解的动态用户兴趣模型
考虑用户长期兴趣和短期兴趣的动态用户兴趣模型 网站时效性对用户行为和推荐系统设计的影响 48
51.
小结与展望 展望 用户不同种类行为的动态模型
用户兴趣动态模型对推荐系统其他指标的影 推荐系统随时间的演化规律 49
52.
感谢杨老师的指导感谢各位评审老师 Q&A
Jetzt herunterladen