流量对网站排名的影响因素/网络营销ppt模板
人工智能基础总目录
推荐系统概述
- 人工智能基础总目录
- 一、AI 概述
- 机器学习的模型十大模型
- 1 分类算法
- 2 聚类算法
- 3 关联分析
- 4 连接分析
- 5 python相关算法包
- 深度学习的模型
- 1 深度学习的经典网络模型
- 2 深度学习框架
- 二、推荐系统概述
- 1.机器如何找到这些适合你的商品
- 1 推荐实现方法
- 2 收集数据
- 3 协同过滤的思想
- 2.推荐系统的冷启动问题
- 3 Exploit & Explore问题（利用与探索）
- 3.1 Bandit算法解决冷启动
- 3.2 AlphaGo中的UCB算法
- 3 推荐系统架构
一、AI 概述
机器学习的模型十大模型
1 分类算法
分类与回归在一起。
- C4.5，
- 朴素贝叶斯（Naive Bayes），
- SVM，
- KNN，
- Adaboost，
- CART
2 聚类算法
- K-Means
- EM
3 关联分析
从数据中挖掘关联的关系，组合。
- Apriori
4 连接分析
用来做排名等相关内容，源自于网页的排名（不仅限），网页影响力的计算方法。
- PageRank
5 python相关算法包
Step1 引用工具包
Step2 数据预处理：方便后续处理
Step3 选择模型，比如CART决策树
Step4 训练模型（训练集）
Step5 模型评估（测试集）
深度学习的模型
神经网络不是一个新的概念，端到端的黑盒，可解释性较差，自适应完成特征提取。
1 深度学习的经典网络模型
1、卷积神经网络（CNN）
LeNet-5、AlexNet、VGG、GoogleNet、ResNet、DenseNet
2、 循环神经网络（RNN）
应用领域：机器翻译、情感分析等NLP领域
3、深度信念网络（DBN，Deep Belief Network）
2006年由Geoffreg Hinton（机器学习泰斗）提出，是一种生成模型，由多个受限玻尔兹曼机组成。
4、生成对抗网络（GAN）
对抗的双方分别为：判别模型和生成模型
5、深度强化学习（DRL）
四个基本组件组成：环境、代理、动作、反馈
2 深度学习框架
- Tensorflow, Keras, Paddle（百度）
- Tensorflow 2.0, 2019年发布，相比于1.0更加简洁
- Pytorch，Facebook开发，Python + Torch
尽量使用科学计算库，代替 Numpy，利用 GPUs
二、推荐系统概述
推荐系统是一种 信息过滤 系统，根据用户的历史行为、社交关系、兴趣点。算法可以判断用户当前感兴趣的物品或内容。实现每个人的界面不同，千人千面。
1.机器如何找到这些适合你的商品
1 推荐实现方法
- 1 Content-based Filtering （内容的标签）
最早人们使用的是基于内容的推荐方法，根据物品的属性为他们打上标签，再通过这些标签计算他们之间的相似度。 静态数据 - 2 Collaborative Filtering（协同过滤）
协同过滤就是通过数据找到与你相似的用户，通过他们的行为和他们喜欢的内容。为你推荐你可能感兴趣的物品或内容。 动态数据
2 收集数据
在推荐系统中，Using data重在“相似度”，Solve problems在于“推荐”。data可以是物品本身的，也可以是基于用户行为的。
- 物品信息
Content-based 基于物品本身的内容。 - 用户行为
显性反馈数据：用户明确表示对物品的喜欢行为：评分，喜欢，收藏，购买
隐性反馈数据：不能明确反映用户喜好的行为：浏览，停留时间，点击
3 协同过滤的思想
矩阵： 行 人 U1, U2; 列 物品I1, I2; 值为对物品的喜好程度。
行向量的相似度。
-
如何评判“相似”
User-based，两个人共同喜欢的东西越多，那么两个人就越相似
Item-based，两个物品共同喜欢的人越多，这两个物品就越相似 -
如何进行“推荐”
UserCF，和你兴趣相投的用户，推荐他们喜欢的商品
ItemCF，给用户推荐和他们之前喜欢的物品相似的物品
（ItemCF不利用物品的内容属性计算物品之间的相似度，主要通过分析用户的行为记录计算物品之间的相似度）
2.推荐系统的冷启动问题
用户冷启动：新用户来的时候，如何推荐
物品冷启动：新的物品，如何推荐
系统冷启动：新的网站上线，如何推荐
3 Exploit & Explore问题（利用与探索）
选餐厅：
Exploitation : 去最喜欢的餐厅。 充分利用已有的资源，信息茧房
（信息圈养）。
Exploration: 尝试新餐厅。 认知未知的世界。 准确率低。
3.1 Bandit算法解决冷启动
如果用户对推荐的某个Topic感兴趣，就代表获得了收益。否则就表示遗憾
“选择-观察-更新-选择”的循环，将收益最大化。 过几次试验，刻画出新用户心中对每个Topic的感兴趣概率。
目标是带来更多收益（累积收益最大化）
3.2 AlphaGo中的UCB算法
3 推荐系统架构
- A 数据源
item特征，用户画像，用户行为。 数据量大 - B 召回阶段
粗筛，得到候选物品集。简单数据量，后续计算复杂 - C 排序阶段
对多个召回通道的内容进行打分排序，选出最优的少量结果。兼顾推荐系统的多维度指标：覆盖率，多样性，新颖度。
