youtube 代表了目前规模最大、最复杂的工业推荐系统之一。在这篇文章里，我们从系统的角度上重点讲述深度学习带来的巨大效果提升。根据经典的信息检索二分法，本文分为2阶段：首先，我们详细描述了一个候选集生成模型和一个深度排序模型。然后，我们还提供了一些从设计、迭代和维护庞大用户量的推荐系统中得到的实战经验和见解。

Automated Machine Learning for Recommendations：Fundamentals and

Real Time Recommendations using Spark Streaming

伯乐（RecBole） “世有伯乐，然后有千里马。千里马常有，而伯乐不常有。”-韩愈《马说》 | | | RecBole是基于Python和PyTorch开发的，用于在统一，全面，高效的框架中再现和开发推荐算法，以用于研究目的。 我们的库包含65种推荐算法，涵盖了四个主要类别： 一般建议 顺序推荐 情境感知推荐 基于知识的推荐 我们设计了统一而灵活的数据文件格式，并为28个基准推荐数据集提供了支持。 用户可以应用提供的脚本来处理原始数据副本，或者简单地由我们的团队下载处理后的数据集。 图片：RecBole总体架构 特征 通用和可扩展的数据结构。 我们设计通用和可扩展的数据结构，以统一

:grinning_face_with_smiling_eyes: [目录] 结构 代码：复现的代码 注：论文笔记 论文：论文 资源：论文截图 声明 要引用，转载，请附本仓库链接[ ] 强调 黄：需要看的点 蓝：看懂后自己提醒的需要注意的点 绿：不认识的单词在[45]之后黄色代表不认识的单词，绿色代表需要看的点 结果 ，用户名铂 新闻推荐 符号 接受推荐的用户记为$ u $，某些新闻记为$ v $ 目标 给定用户$ u $，新闻集$ \ mathcal {V} $，从$ \ mathcal {V} $中选出前$ k $个用户最有可能点击的新闻，推荐给用户 最大化点击率（CTR） 新闻推荐的特点 大规模：用户和新闻数量都很大，新闻更新快 稀疏：很多用户看很少的新闻，导致特征稀疏 动态：用户的兴趣一直发生着变化 无需查询：人们来看推荐很少会抱有特定的信息诉求，而是给我看一些有趣的东西 没有明确的反馈：难以获得用户的显示反馈，只有点击数据 没有异构的上下文

matlab代码影响电影推荐 该资料库包含用Matlab编写的协作过滤推荐算法，该算法适用于。 MovieLens数据集 我决定要使用MovieLens数据集，因为它包含所有最新电影，所以我想自己尝试一下。 数据集已经整理好-我已经生成了新的电影ID以消除差距并更新了相应的评分，因此我可以在Matlab中更轻松地使用它们。 用户数：668 电影数量：10.329 评分的数量：105.339 每个用户平均评价158部电影 我使用了Coursera机器学习课程中的一些现有代码，主要用于计算成本函数。 参数 我了解到，调整以下参数会影响成本函数的值： 功能数量：较大的值可防止拟合不足 正则化：较大的值可防止过度拟合 模型将学习的特征数量会影响它将从数据集中收集多少信息。 我尝试在模型上使用30到60个功能。 使用50个特征来训练模型恰好是最合适的。 选择正则化参数lambda时，较小的值可能导致过度拟合或高方差。 当模型的成本函数值非常低，但不能很好地概括时，就是这种情况。 我尝试了从0.3到3.0的lambda值，使用1.0是最合适的。 测试？ 我通过插入一些我看过的电影并对他们的评分来评

音乐推荐 Yahoo音乐推荐系统基于专辑的多个用户评分，并向用户提供歌曲推荐。 数据集 数据集名称-Yahoo! 音乐曲目，专辑，艺术家和流派的音乐用户评分 链接-https: 大小-1.5 GB 数据集说明 雅虎！ 音乐提供了与音乐许多方面相关的大量信息和服务。 该数据集表示Yahoo!的快照。 音乐社区对各种音乐项目的偏好。 该数据集的一个显着特征是，用户评级被赋予四种不同类型的实体：曲目，专辑，艺术家和流派。 此外，项目在层次结构中捆绑在一起。 也就是说，对于一首曲目，我们知道其专辑，表演艺术家和相关流派的身份。 同样，我们为专辑提供了艺术家和流派注释。 数据集包含Yahoo Music真正客户在1999-2009年间提供的评分。 用户和项目（曲目，专辑，艺术家和流派）均表示为无意义的匿名数字。 项目介绍 在Yahoo Music数据集上-艺术家，专辑，歌曲，流派 轨迹1：预测用

电子商务建议 电子商务项目推荐系统（Python） 使用Pandas使用SQLite进行分析 使用方法 使用SQLite和Pandas进行数据分析 市场篮分析 先验算法 关联规则挖掘 使用的技术/图书馆 的Python 3 SQLite3 大熊猫 NumPy mlxtend 朱皮特 描述 该项目的前提是在电子商务行业中一个假设的公司“ The Company”，该公司希望开发推荐系统。 除其他许多相关产品外，“公司”还专门销售粘合剂和密封剂。 有两个部分： 笔记本：包括代码和技术部门的简要EDA。 使用来自“公司”的交易数据来展示如何使用机器学习技术来识别互补产品，从而为自动推荐引擎奠定基础。 PowerPoint：为业务涉众呈现发现结果。 讨论品牌何时重要以及客户为什么会选择一个品牌而不是另一个品牌。 然后介绍如何自动检测要在推荐系统中使用的项目，以及笔记本中发现的结果中的

Recommendations for the U.S.-Korea Alliance_CSIC

LSTM Networks for Online Cross-Network Recommendations.