5.基于记忆的推荐算法（memory-based model）

学习机制： Error Correction Learning Memory Based Learning Hebbian Learning Competitive Learning Boltzmann Learning Error Correction Learning 误差修正学习（Error-Correction Learning）是一种有导师的学习过程，其基本思想是利用神经网络的期望输出与实际之间的偏差作为连接权值调整的参考，并最终减少这种偏差。 最常用的损失函数是均方误差（Mean Squar

K-Means介绍        K-means算法是聚类分析中使用最广泛的算法之一。它把n个对象根据他们的属性分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。其聚类过程可以用下图表示：         如图所示，数据样本用圆点表示，每个簇的中心点用叉叉表示。(a)刚开始时是原始数据，杂乱无章，没有label，看起来都一样，都是绿色的

推荐系统概述分类1. 基于用户行为数据的算法1.1 基于用户的协同过滤算法（user-based CF）1.2 基于项目的协同过滤1.3 基于模型的协同过滤2. 基于内容数据的推荐性能评估以微博为例：大规模推荐系统架构线上推荐召回阶段排序阶段排序算法的演进LR 到 FMFM 到 FFM深度排序模型：从Wide&Deep到XDeepFM模型并行结构串行结构两条演进路线怎么走的呢？Wide &...

推荐系统简单总结前言一、协同过滤（collaborative filtering）1.基于记忆（memory-based）2.基于模型（model-based）二、基于内容三、基于网络1. HHP2. PD四、其他推荐算法总结 前言 本文章将就现有的推荐系统做一个简单总结，可能不全面，欢迎补充。 一、协同过滤（collaborative filtering） 1.基于记忆（memory-based） 基于记忆的算法主要是针对相似性对用户进行推荐，又分为UCF和OCF。 UCF：生成用户相似度矩阵，向用

以下理解参考该文章: memory-based-vs-model-based-recommendation-systems Memory-based: 主要通过计算近似度来进行推荐，比如user-based和item-based协同过滤，这个两个模式中都会首先构建用户交互矩阵，然后矩阵的行向量或者列向量可以用来表示用户和item，然后计算用户或者物品的相似度来进行推荐。这里叫Memory是可能是因为要事先把交互矩阵载入到内存中进行计算吧。 Model-based:主要是对交互矩阵进行填充，预测用户购买某个

这是一篇很好理解的论文，论文提出：现有的方法都没有明确考虑用户当前行为对其下一步行动的影响。 在这项研究中，我们认为长期记忆模型可能不足以对通常包含由意外点击引起的用户兴趣漂移的长时间会话进行建模。 提出了一种新颖的短期注意力/记忆优先模型作为补救措施，该模型能够从会话上下文的长期记忆中捕获用户的一般兴趣，同时从短期记忆中考虑用户当前的兴趣。 根据现有文献，几乎所有基于 RNN 的 SRS 模型都只考虑将会话建模为一系列项目，而没有明确考虑用户的兴趣随时间漂移，这在实践中可能存在问题。例如，如果某个特定的数

转载自：https://yasserebrahim.wordpress.com/2012/10/13/memory-based-vs-model-based-recommendation-systems/ 对这两个定义有一个比较客观的分析。 Memory-Based vs. Model-Based Recommendation Systems Anywhere

基于内容的推荐算法 基于内容的推荐算法，建立在这样一个基本假设上：用户会喜欢他喜欢的物品的相似物品。 这是一个很朴素的假设，也比较符合人性，比如如果喜欢看喜剧之王，大概率也会喜欢大话西游。在这个假设的基础上，我们的推荐算法的过程就是：将找到用户喜欢的物品的相似物品，如果用户还没有消费过，就推荐给他。 原理是不是很简单。 在新物品加入的时候，还没有积累任何的用户行为数据，这时候只能靠基于内容的推荐了...

Memory-Based vs. Model-Based Recommendation Systems Anywhere you’d try to read on recommendation systems you’ll catch a mention of this categorization: memory-based versus model-based recommendation systems. I’ve seen some terrible explanations of this cat

即使是最大的神经网络也会出错，而曾经正确的预测可能会随着世界的变化而失效。模型编辑器对基础(预训练)模型的行为进行局部更新，以注入更新的知识或纠正不期望的行为。现有的模型编辑器已经显示出了希望，但是也受到表达能力不足的困扰:它们难以准确地为编辑的预期范围(受编辑影响的示例)建模，导致对与编辑松散相关的测试输入的不准确预测，并且在许多编辑之后它们经常完全失败。

目录吉布斯采样的前世今生马尔可夫链MCMC采样M-H采样吉布斯采样（Gibbs）吉布斯采样原理二维情况高维情况吉布斯采样过程参考资料 吉布斯采样的前世今生 简单的分布我们可以直接采样，比如正太分布，均匀分布。 不太好采样的分布，我们可以利用容易采样的分布，然后使用接受拒绝策略进行采样 ，祥见蒙特卡洛方法。 吉布斯采样是为了解决上述方法无法解决的情况： 不知道分布p(x,y)p(x,y)p(x,y)，只知道其条件分布p(x∣y),p(y∣x)p(x|y),p(y|x)p(x∣y),p(y∣x)，无法利用上

记忆化搜索 递归的过程中有许多的结果是被反复计算的，这样会大大降低算法的执行效率。 将已经计算出来的结果保存起来，计算用到的时候直接取出结果，避免重复运算，因此极大的提高了算法的效率。 力扣509斐波那契数 F(n)=F(n−1)+F(n−2) class Solution { public int fib(int n) { if (n == 0) return 0; if (n == 1) return 1; int[] memory = n

为什么要写关于Gibbs Sampling的文章呢？首先Gibbs Sampling是有用滴，Gibbs Sampling在机器学习中主要用于学习阶段的推理，比如求期望（平均值）和积分；再者网上的关于Gibbs Sampling的博客写得不好，资料也不多。 废话少说，进入正题。 什么是Gibbs Sampling Gibbs Sampling是MCMC算法中的一种，用来构造多变量概率

​ KNN算法 KNN算法简介 简单地说，K-近邻算法采用测量不同特征值之间的距离方法进行分类（k-Nearest Neighbor，KNN） 优缺点： 优点：精度高、对异常值不敏感、无数据输入假定。 缺点：时间复杂度高、空间复杂度高。 当样本不平衡时，比如一个类的样本容量很大，其他类的样本容量很小，输入一个样本的时候，K个临近值中大多数都是大样本容量的那个类，这时可能就会导致...

说明 原文链接。 此处将Session-based Recommendation直译为会话推荐，有地方意译为短序列推荐。 此处将external memory译为外部记忆，直译话为外部存储器(外存)，short-term memory译为短期记忆，直译的话为短期存储器。 标题 题目：STMAP:基于会话推荐的短期注意/记忆优先模型 作者： Qiao Liu University of ...

Top26：推荐系统札记2-协同过滤推荐算法 优点： 实现快 对商品和物品没有要求 效果有保障 分为两大类： 1.基于记忆的协同过滤(Memory-based CF) 基于用户 (User-based) 基于物品 (Item-based) 如何实现？ 相似统计方法得到具有相似兴趣爱好的用户 2.基于模型的协同过滤(Model-based CF) 以隐因子模型、朴素贝叶斯分类为代表 如何实现？ 先用历史数据得到一个模型，再用此模型进行预测。 使用的技术包括哪些？ 神经网络技术、潜在语义LFM分析、贝叶斯网络、

STAMP: Short-Term Attention/Memory Priority Model for Session-based Recommendation 介绍 作者提出lstm虽然能很好的捕捉用户的总体的兴趣，但是作者指出lstm也许对于建模长的session是不够有效的，因此作者提出STAMP，不仅捕捉用户整体的兴趣同时也将用户当前的兴趣纳入考虑。 方法 STMP 文章首先介绍了ST...

前言 论文链接：https://dl.acm.org/doi/pdf/10.1145/3219819.3219950

推荐系统可以分为以下几类： 1. Content-Based 2. Collaborative Filtering   2.1 Memory-Based Collaborative Filtering (利用相似矩阵)     2.1.1 user-item filtering     2.1.2 item-item filtering   2.2 Model-Based