今天的規劃：
collaborative filtering with temporal dynamics 基本就是這個樣子，明天可能會整篇翻譯這個文章寫在部落格中
沒有學過的部分在最後
是一種基於分布的聚類，也叫作基於模型的聚類，每次聚類之後評估新的聚類中的元素屬於這個類的概率，缺點在於開始的模型選定不一樣，最後的聚類效果也會不一樣
沒有什麼新的內容，基本瀏覽了一下，第二部分開啟之後根本不想看
其實我認為這篇文章寫得算是非常好的，可能是因為我學習機器學習的緣故，使用了很多機器學習的傳統知識，決策樹，資訊增益，樸素貝葉斯
一篇非常好的**文章，實現了協同過濾的基於使用者和基於物品的**
今天的上午任務已經完成了，馬上要進行的是下午部分，collaborative filtering with temporal dynamics 可能今天看不完，看不完的話明天繼續
推薦系統架構 推薦系統（1） 業界推薦系統架構
1.1業界主流推薦系統架構 業界推薦系統通用架構 1.2使用者本身資料 1.3物品本身資料 1.4使用者行為資料 2.1基於離線訓練的推薦系統架構設計 常用演算法 邏輯回歸 logistics regression 梯度提公升決策樹 gbdt 和因式分解 fm 架構設計 2.2面向深度學習的推薦系統...
推薦系統（1） 推薦系統概述
推薦系統是主動從大量資訊中找到使用者可能感興趣的資訊的工具。推薦系統的核心問題是如何實現推薦個性化 如何向使用者推薦匹配度高的產品 商品 或專案,本質是通過一定的方式將使用者和專案聯絡起來。自從xerox palo alto研究中心於1992年研發出了基於協同過濾的實驗系統tapestry以來 主要...
推薦系統01推薦系統入門
這裡給出了三個主要原因 網際網路規模增長迅速，資料量資訊過載，人們很難獲得有效資訊 資料太多了，我看不過來 搜尋引擎的方式只能滿足有確切主題 知道如何描述的資訊，沒有辦法搜尋自己模糊不清的需求 人們需要個性化服務來減少不必要的工作。在這樣的背景下，推薦系統應運而生，推薦系統究竟實現了怎樣的工作，實際...