Netflix 个性化推荐系统相关算法

Netflix 个性化推荐核心:排序    

 很多监督学习方法都能被用来设计排序模型:
         Logistic 回归,
         支持向量机(SVM),
       神经网络

    决策树类的算法(GBDT)。
    另一方面,近几年来许多算法被应用到“Learn to rank(排序学习)”中,比如 RankSVM 和 RankBoost

    个性化推荐用到的的机器学习算法:

          线性回归(Linear Regression)
          逻辑斯特回归(Logistic Regression)
          弹性网络(Elastic Nets)
          奇异值分解(SVD : Singular Value Decomposition)
          RBM(Restricted Boltzmann Machines)
          马尔科夫链(Markov Chains)
          LDA(Latent Dirichlet Allocation)
          关联规则(Association Rules)
          GBDT(Gradient Boosted Decision Trees)
          随机森林(Random Forests)
          聚类方法,从最简单的k-means到图模型,例如Affinity Propagation
          矩阵分解(Matrix Factorization)

消费者法则:

  以数据驱动的方式来组织产品,通过创新让用户获得便利,新文化要求我们能够高效地通过实验来实践我们的想法。

  消费者法则的执行:

  1. 提出假设。(离线测试(机器学习算法验证优化算法,相关指标评价))2. 设计实验。(设计A/B 测试)3. 执行测试。4. 让数据说话

    如何把我们的机器学习算法整合到 Netflix 以数据为驱动的 A/B 测试文化中。我们的做法是结合离线-在线测试:

        在线测试之前,我们会进行离线测试,先优化并检验我们的算法。评测算法的指标:‘ 
          采用了机器学习领域的很多种指标:排序指标(NDGC(Normalized Discounted Cumulative Gain)、Mean Reciprocal Rank、Fraction of Concordant Pairs)分类指标(精准度、查准率、查全率、F-score), Netflix:RMSE(均方根误差)和其他一些独特的指标如:多样性指标。

  

    一旦离线测试验证了一个假设,我们就准备设计和发布 A/B 测试,从用户的视角证明新的特征的有效性。如果这一步通过了,我们便将其加入到我们的主要系统中,为我们的用户提供服务。跟踪比较这些离线指标和线上效果的吻合程度,发现它们并不是完全一致的。因此,离线指标只能作为最终决定的参考。

 

整个创新周期:

  

    

  ref:http://blog.csdn.net/bornhe/article/details/8222497

Netflix 个性化推荐系统相关算法,古老的榕树,5-wow.com

郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。