分类 自然语言处理与推荐系统 下的文章


撰写于    浏览:1305 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2018年10月3、推荐理由推荐系统发展到现在产生了许多具有广泛影响力的算法模型,经典的算法是协同过滤算法,其易于实现,因而具有广泛的实用价值,但它也存在着算法复杂度高和推荐精度低的问题。《机器学习算法实践——推荐系统的协同过滤理论及其应用》提出了一系列改进协同过滤推荐质量的方法,并将相关算法应用到实际生活中,开发出一个原型[...]

撰写于    浏览:3335 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2020年4月3、推荐理由这是一本从技术、产品和运营3个角度讲解如何从0到1构建用户画像系统的著作,同时它还为如何利用用户画像系统驱动企业的营收增长给出了解决方案。作者有多年的大数据研发和数据化运营经验,曾参与和负责多个亿级规模的用户画像系统的搭建,在用户画像系统的设计、开发和落地解决方案等方面有丰富的经验。全书一共9章:第[...]

撰写于    浏览:3766 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2020年1月3、推荐理由适读人群:本书主要面向广大从事风险控制的分析师、建模师、算法工程师。也适合对传统信用评分卡有初步认识的在校学生。同时也适合对机器学习在风控领域应用感兴趣的读者。本书基于Python全面介绍了机器学习在信贷风控领域的应用与实践,从原理、算法与工程实践3个维度全面展开,包含21种实用算法和26个解决方案[...]

撰写于    浏览:36392 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2020年3月3、推荐理由本书揭秘巨头公司推荐系统背后的逻辑,梳理深度学习推荐系统的发展脉络,厘清每个关键模型和技术的细节,引导读者掌握工业界模型设计背后真正的 “银弹”,让读者能够从零开始构建前沿、实用的推荐系统知识体系。4、下载链接本电子书可以提供下载,下载方式请移步:http://www.hbase.cn/archiv[...]

撰写于    浏览:1232 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2020年6月3、推荐理由近几年来,深度学习已经彻底改变人工智能的诸多领域,涉及语音、视觉、自然语言、机器人和游戏等。深度学习在自然语言处理领域的诸多应用方面大获成功,这使其成为人工智能领域最重要的发展基准。本书介绍深度学习领域先进的技术以及深度学习在主要的自然语言处理任务中的成功应用,包括语音识别和理解、对话系统、语义分析[...]

撰写于    浏览:2827 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2021年7月3、推荐理由自然语言处理被誉为“人工智能皇冠上的明珠”。深度学习等技术的引入为自然语言处理技术带来了一场革命,尤其是近年来出现的基于预训练模型的方法,已成为研究自然语言处理的新范式。本书在介绍自然语言处理、深度学习等基本概念的基础上,重点介绍新的基于预训练模型的自然语言处理技术。本书包括基础知识、预训练词向量和[...]

撰写于    浏览:1330 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2020年7月3、推荐理由本书旨在将新手带入自然语言处理(Natural Language Processing,NLP)和深度学习的领域,为读者打造涵盖这两个领域关键主题的试验台。如今,这两个主题领域都呈指数增长状态。在介绍深度学习和NLP 并着重于实现的同时,这本书定位于重要的中间立场。写这本书时,我们在省去哪些材料上做[...]

撰写于    浏览:4439 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2021年7月3、推荐理由BERT模型是当今处理自然语言任务效果最好的模型。掌握了该模型,就相当于掌握了当今主流的NLP技术。通过本书,读者可以:熟练地在PyTorch框架中开发并训练神经网络模型,快速地使用BERT模型完成各种主流的自然语言处理任务,独立地设计并训练出针对特定需求的BERT模型,轻松地将BERT模型封装成W[...]

撰写于    浏览:962 次  分类: 自然语言处理与推荐系统
1、NLTK是什么?NLTK 全称"Natural Language Toolkit",诞生于宾夕法尼亚大学,以研究和教学为目的而生,因此也特别适合入门学习。NLTK虽然主要面向英文,但是它的很多NLP模型或者模块是语言无关的,因此如果某种语言有了初步的Tokenization或者分词,NLTK的很多工具包是可以复用的。NLTK收集了大量公开数据集[...]

撰写于    浏览:776 次  分类: 自然语言处理与推荐系统
1、封面介绍2、出版时间2016年3月3、推荐理由如何能牢牢地黏住老用户、吸引新用户、读懂用户的偏好兴趣和喜怒哀乐,这都是对企业发展至关重要甚至关乎生死存亡的问题,解决这个问题的方法就是推荐系统。本书分为上中下三篇,共13章,上篇为用户画像知识工程基础,包括表征建模、画像计算、存储及各种更新维护等管理操作;中篇为推荐系统与用户画像,包括传统协同过滤[...]

撰写于    浏览:837 次  分类: 自然语言处理与推荐系统
最近Google开源了基于Tensorflow的推荐器, 一个新的开源Tensorflow包。它的特点可以总结为下面四个:(1)它有助于开发和评估灵活的候选nomination模型;(2)它可以很容易地将商品、用户和上下文信息合并到推荐模型中;(3)它可以训练多任务模型,帮助优化多个推荐目标;(4)它使用TensorFlow Serving为最终模[...]

撰写于    浏览:767 次  分类: 自然语言处理与推荐系统
在深度学习盛行的时代,经典的协同过滤方法是否还在各大公司的推荐引擎中使用呢?答案是肯定的,协同算法在推荐领域中有这不可磨灭的基因,作为分发和传播能力极强的方法,至今,协同过滤方法仍然在工业界有这广泛的应用。

撰写于    浏览:681 次  分类: 自然语言处理与推荐系统
推荐系统主要分为两个环节:召回和排序。这两个阶段,都离不开用户画像的支持,而用户画像又是在内容画像基础之上不断累积用户行为而来,故首先需要有内容画像,构建文本物品的内容画像需要nlp技术的支持,存储内容和用户画像依赖常用数据库以及贝叶斯平滑、威尔逊置信区间等技术;设计基于画像的推荐项目,你需要了解如何使用nlp技术抽取物品信息形成内容标签,如何依托[...]

撰写于    浏览:772 次  分类: 自然语言处理与推荐系统
推荐算法本质上就是在解决两个问题:记忆和泛化,传统的LR等模型,将大量的ID类稀疏特征直接喂给模型,再由广义线性模型直接学习这些ID类特征的权重,本质上就是模型对特征的简单粗暴的记忆,因此,泛化扩展性得不到保证,从未出现过的特征(如很重要的交叉特征等),模型无法学习该特征权重,故特征的指征能力无法体现;因此,深度学习模型引入Embedding稠密向[...]

撰写于    浏览:1238 次  分类: 自然语言处理与推荐系统
前言本文主要向大家介绍一下CIKM 2019的一篇文章《AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks》。该文主要介绍了一种名叫AutoInt的模型,该模型以multi-head self-attention为基础在将高维稀疏特征([...]