Python 开源推荐算法模块

目前我们的推荐算法单一且标签质量一般,随着业务量的增加需要使用多推荐算法融合:

1)生成推荐商品候选集算法选择:

度算法融合的选型:**基于标签+iterm_based + 基于隐语义模型

模型选择理由:
1)亚马逊等电商优先选择iterm_based进行推荐,新闻如Digg则适合使用User_based
2)关于矩阵分解SVD,使用此方法主要是此方法能充分利用上用户与商品的交互数据。
3)利用上标签数据,还可以进一步结合矩阵分解的方法从更细的用户对商品的交互行为数据挖掘出用户对商品的兴趣,解决冷启动问题。

2)重排序

电商产品,非常需要对候选集合进行排序。目前排序的主流方法是把把排序当成广告点击率转化,预测用户对商品的(点击率),可参考learning to rank算法。

3)开源算法选择,选python语言,可参考开源推荐算法:

**SVD和协同过滤算法iterm_based可以参考:
**

1,tensorflow实现SVD,python实现,较为简单:
https://github.com/songgc/TF-recomm

2,surpriselib 此推荐算法模块非常简单,python实现
http://surpriselib.com/

3,重庆大学的开源推荐算法 python2.7实现,有SVD算法,不断更新中

https://github.com/recq-cse/RecQ

4,lightFM
https://github.com/lyst/lightfm python开发,不断更新

5,pyspark里的svd
参考:http://www.jianshu.com/p/086ea17b8208

排序算法参考(tensorflow和Scikit-learn相结合)

1,python算法
库 Scikit-Learn

2,tensorflow

4)总结:

4.1,SVD算法可以参考下

考虑到算法灵活性和后期维护成本,iterm_based算法自己实现,svd则调用开源模块。

4.2,排序算法库,初期可以考虑先用逻辑回归(LR)+GBDT的结合

4.3,难点:怎么存储计算,怎么理清重排序与候选集的逻辑,特征工程等,有一定挑战性

欢迎关注人工智能见闻公众号
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,670评论 5 460
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 81,928评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 141,926评论 0 320
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,238评论 1 263
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,112评论 4 356
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,138评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,545评论 3 381
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,232评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,496评论 1 290
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,596评论 2 310
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,369评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,226评论 3 313
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,600评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,906评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,185评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,516评论 2 341
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,721评论 2 335

推荐阅读更多精彩内容