实战33：通过FNN算法进行特征组合的商品推荐详细教程有代码+数据

62 阅读 0 评论 41 点赞

案例知识点

推荐系统任务描述：通过用户的历史行为（比如浏览记录、购买记录等等）准确的预测出用户未来的行为；好的推荐系统不仅如此，而且能够拓展用户的视野，帮助他们发现可能感兴趣的却不容易发现的item；同时将埋没在长尾中的好商品推荐给可能感兴趣的用户。CTR表示Click-Through-Rate点击率，CTR = 点击量/展示量。
方法概述：本教程包括以下内容：从原始的数据文件中加载数据、缺失值填充、特征编码、训练模型、结果展示。对于与特征域有关的模型，可以分为特征编码和分类器两个步骤。其中特征编码是将原始输入的离散特征和连续特征转化为向量表示。在本教程中采用embedding编码，即将每个特征值映射到一个固定维度的连续值向量。同时，选用FNN模型，通过AUC和LogLoss指标评测训练结果。

运行环境：

  python3.7
  numpy=1.16.4
  pandas=1.1.3
  tqdm=4.50.2
  pytorch=1.6.0
  tensorflow=1.15.4
  requests=2.24.0
  scikit-learn=0.23.2

本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。