做推荐的Bella酱

这一系列的文章是关于netflix techblog的推荐系统相关文章的总结。大部分内容来自netflix-techblog:recommendations 最早在2006年，Netflix举办了一个名叫Netflix Prize的比赛，用来征集movie rating pre…

强化学习不仅需要学习做什么，也需要学习如何根据与环境的交互采取相应的行动。强化学习的最终结果，就是要实现系统回报信号的最大化。学习者事先并不知道要去执行什么行为，需要自己去发现哪种行动能产生最大的回报。 在强化学习中，有两个可以进行交互的对象：智能体和环境。 智能体（agent…

一个经典的推荐系统一般分为召回阶段和排序阶段，召回阶段是指从大量的（可能高达数十亿）的item中选定候选集（一般为几千到几百的范围）的过程，而排序阶段是指对候选集中的item按照用户偏好进行排序。本质上来说，所有推荐算法的目标都是识别用户对某一item的偏好，也就是说，对于如下…

一般来说，GB方法适用于异质化数据。即，若你的数据集全由图片数据构成或者全由视频数据构成之类的，我们称其为同质化数据，这时使用神经网络往往会有更好的表现。但对于异质化数据，比如说数据集中有user gender，user age，也有content data等等的情况，GB方法…

文章认为，GBDT运行过程中的主要代价是在学习新的决策树的过程中，选择best split points的过程。在lightgbm之前，在这上面使用的主要优化方法包括： Presorted，即对所有数据点进行预排序。排序代价至少为 O(#data * log(#data)) H…