项目主要内容： 1.采用Hadoop作为分布式文件文件系统存储数据 2.基于 TensorFlow 复现论文 PNN、DeepFM 3.搭建推荐系统架构，召回、过滤、精排阶段 4.使用 SparkStreaming 进行流计算，不断将用户行为反馈给模型进行计算，提供 下一次推荐服务 5.使用 SparkStreaming 对接 Kafka 源，消费 Kafka 中的实时用户行为数据 6.使用 PNN、DeepFM 进行 CTR 点击评估 目前，几大互联网厂商例如腾讯、百度、阿里已陆续开始使用推荐系统，因为在海量数据的今天，人们已经无法看清自己真正的喜好，所以推荐系统应运而生，像现在快手、抖音等平台都陆续开始引进推荐系统，这些厂商会收集大量用户的观看行为，例如点赞、评论、收藏以及视频观看时间等，基于这些数据会对用户进行分析，帮助用户进行定位自身的兴趣所在，然后基于大数据平台帮助用户拿到它们想要的视频，而且包括百度，它们正在使用广告推荐这种，当我们在搜索引擎中搜索一些关键词时，它们将会根据 query 进行分析进而将一些广告商进行关联，然后在首页为用户推荐一些广告进而增加广告的点击量。

成对-DeepFm python main.py

推荐系统 deepFM python实现，用于对CTR预测

推荐SYS_with_movielens 使用FunkSVD，FM，itemCF / UserCF，使用残差网络的宽带和深度，使用残差网络的deepFM等构建ResSys。我尝试尽快收集所有算法。 我提供了一些基于movielens的算法 SVD： FunkSVD： BiasSVD： SVD ++ 因子分解机：FM 协同过滤 深度学习（tensorflow 2.x）宽而深 深度fm NFM

DeepFM实战源码

DeepFM原文论文

DeepFM实战的数据集

yellowfin包

文章目录摘要一、数据预处理部分二、DeepFM部分1、FM部分的特征向量化2、Deep部分的权重设置3、网络传递部分4、loss5、梯度正则6、完整代码三、执行结果和测试数据集 摘要 DeepFM原理部分可以参看博客https://blog.csdn.net/weixin_45459911/article/details/105359982，本文就着重介绍其代码复现部分的内容。 本文所写的代码参考自https://www.jianshu.com/p/71d819005fed，在此基础上进行了一些修改，并增加了注释。 一、数据预处理部分 import pickle import pandas a

deepfm CTR预估 解决高维稀疏矩阵训练深度网络带来的问题