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。
-
2.准备工作
- 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
- 可以使用conda命令安装上述模块并制定版本: conda install numpy &
最后
以上就是怕黑曲奇最近收集整理的关于实战33:通过FNN算法进行特征组合的商品推荐详细教程 有代码+数据的全部内容,更多相关实战33:通过FNN算法进行特征组合的商品推荐详细教程内容请搜索靠谱客的其他文章。
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。
发表评论 取消回复