第18月第28天 百度開放研究社群 電影推薦系統

2022-06-23 14:45:09 字數 1222 閱讀 5377

1.

原創 2013年03月13日 19:34:22

本屆大獎賽獎項設定及獎勵辦法如下:

在大賽預定的截止日期5月3日24:00時取出排行榜前十名的參賽選手,排行榜上1~4名的選手分別設立為

一、二、三等獎,5~10名的選手分別設立突出獎、優勝獎和創意獎,具體設獎數量和獎勵辦法如下:

• 一等獎:1名,獎勵現金1萬元及獲獎證書;

• 二等獎:1名,獎勵現金5000元及獲獎證書;

• 三等獎:2名,獎勵現金2000元及獲獎證書;

• 突出獎:2名,羅西尼手錶一塊以及獲獎證書;

• 優勝獎:2名,派克筆一支以及獲獎證書;

• 創意獎:2名,觸控調光水led音箱燈以及獲獎證書;

3.1.協同過濾

推薦系統發展至今已有相當長的歷史,形成了一個龐大的演算法和研發體系。推薦系統領域最早的演算法是協同過濾,現在基本不被各大網際網路公司作為線上系統使用,僅作為演算法迭代的初始比較標準。

協同過濾包括基於使用者的協同過濾(user-based collaborative filtering)和基於物品的協同過濾(item-based collaborative filtering)兩種。

為了提高推薦系統的效率,在推薦系統發展早年,亞馬遜設計了 slope-one 演算法來進行商品推薦。

2.矩陣分解模型

如果說協同過濾是推薦系統發展的第一階段,那麼矩陣分解模型就是推薦系統發展的第二階段。研究者和工程師們開始利用 svd 分解,lda 和 als 等其他的矩陣分解模型將使用者對物品的評分矩陣分解為使用者-隱變數矩陣和物品-隱變數矩陣,然後通過計算向量乘積完成使用者評分矩陣的填充。

因為矩陣分解模型需要計算完整的使用者-物品評分矩陣,所以時間複雜度比較高。google 在 2010 年發表了**介紹了 google news 的新聞推薦系統,結合了協同過濾,矩陣分解以及統計興趣趨勢的方法。在這一階段,出現了專門針對非評分矩陣的隱反饋的演算法,其中比較著名的有 svd++ 和 one-class collaborative filtering。

圖2. svd++ 評分計算公式

3.基於邏輯迴歸的點選率預估

4.排序學習

5.深度學習