使用者興趣模型分類
（2） 基於布林模型的表示方法
（3） 基於向量空間模型的表示方法
（4） 基於本體的使用者模型表示方法
本體（給出構成相關領域詞彙的基本術語和關係，以及利用這些術語和關係構成的規定這些詞彙外延的規則的定義。由於本體本身的特點，它包含領域常用術語的同時並提供術語與術語之間的網狀關係，基於領域的術語對於使用者興趣有著很好的描述能力，同時術語之間的關係為使用者興趣之間提供了聯絡的橋梁，除此之外還有簡單的推理能力。從而使得使用者模型從類似與人的思維方式理解使用者的興趣特徵，是乙個理論上十分理想的使用者模型表示方法。但是本體的構建需不僅需要專業的領域知識還需要巨大的人工勞動，構建成本過大，基於本體的使用者模型表示法並不常用。
使用者興趣特徵的特點：興趣並不是天生的，它有著從產生到持續再到消亡的乙個過程。
目前主流的個性化推薦技術主要分為：基於規則的推薦、基於內容過濾的推薦、基於協同過濾的推薦、基於知識的推薦等.
tｏｐ排名推薦法不關心客戶的興趣和行為，只關心使用者的興趣或潛在興趣，根據使用者的興趣分類，對相應分類 top 排名的內容進行推薦。這種方法操作簡單，無需進行資料分析，實施難度低，適合用於新使用者或無法獲得使用者資訊的情況。
個性化喜好推薦法根據使用者的喜好資訊進行內容推薦，需要事先確定分類的標準，並對使用者進行分類，對內容也進行相應的分類，並根據一定的規則將使用者和內容進行匹配。這種方法事先確定好分類標準，能對內容預先進行處理，並對單個使用者建立個性化的資料，快速實現使用者和內容的匹配。
行為關聯推薦法對大量資料進行分析挖掘，找出不同行為之間的關聯關係，並根據使用者已有的行為，與分析出的不同行為之間的關係進行比較，從而確定使用者下一步的可能行為。行為關聯推薦法需要大量資料支援，對資料分析挖掘的要求較高，在進行內容推薦時，實施難度較大，但這種方法通過對規律的發掘，往往成功率很高。
1基於物品的協同過濾演算法
該推薦演算法是計算兩個物品的相似度，使用者通過喜歡的物品與其他物品的相似度來找到它喜歡物品的最近「鄰居」，進而得到自己喜歡的物品。
第一，計算物品間的相似性；
第二，根據物品間的相似性以及使用者之前喜歡過的物品來產生乙個推薦列表。
2基於使用者的協同過濾演算法
基於使用者的協同過濾推薦演算法是現今效率較高且應用比較廣泛的一種推薦演算法，該演算法利用使用者的興趣愛好、習慣等資訊建立使用者與使用者之間的相似性，根據使用者之間的相似性，最後把相似使用者喜歡的物品推薦給使用者。
具體過程如下：
1 建立資料。系統可以根據歷史的使用者、物品以及使用者對物品的偏好建立資料。乙個推薦系統都包括使用者和物品。為每個使用者及他喜歡的物品構建向量模型。
2 產生「鄰居」。該演算法的核心是為目標使用者尋找與他相似的k個使用者，作為使用者的一組鄰居。
基於內容的推薦演算法
基於內容的推薦演算法是很早就已經被使用的一種推薦方法，它根據使用者過去喜歡的物品，來給使用者推薦與其過去喜歡的物品內容和特徵相似的物品。比如，在商品推薦中，該演算法要分析使用者購買的商品的一些共性(類別、風格等)，然後推薦與他們感興趣的商品內容相似度高的未購買過的商品。
1.個人資料集：根據使用者歷史的行為，學習使用者的偏好，並建立使用者的偏好特
徵資料（profile）；
2.物品特徵分析：以每乙個物品的特徵為資料建立物品的特徵資料集，來代表
每乙個物品 item；
分類模型和回歸模型
分類 概念 對於分類問題，監督學習從資料中學習乙個分類模型或者分類決策函式，稱為分類器。分類器對新的輸入 其屬於哪一類別，稱為分類。優化過程 找到最優決策面 輸出 離散值，如0 1，yes no 評價指標 一般是精確率，即給定測試資料集，分類器能正確分類的樣本數佔總樣本數的比。模型損失函式 交叉熵損...
話題模型分類
topic model 是一種應用十分廣泛的產生式模型 generative model 在ir，nlp，ml都有廣泛的應用，本文將對目前已有的topic model進行分類總結，然後選擇幾個代表性的topic model進行較為詳細的介紹，從而理解topic model 的思想，以及怎麼應用。to...
bert 分類模型
大神的帖子 github 記錄本人訓練情況 1.資料 train.tsv,test.tsv dev.tsv 2.改原始碼 修改run classifier.py檔案中get labels等方法 3.儲存label2id的字典 4.使用命令訓練模型 5.6.後面使用的模型服務端，使用的是.pb格式的模...