Microstrong0305/Recommendation_System_practice

记录学习推荐系统的demo

Recommendation_System_practice

记录学习推荐系统的demo

1. 基于TF-IDF算法实现商品标题的关键词提取
   • 使用商品和对应的短标题数据作为数据集，案例来源于《推荐系统开发实战》
2. 利用标签推荐算法实现艺术家的推荐
   • 使用Last.fm数据集，案例来源于《推荐系统开发实战》
3. 简单的实现推荐系统的召回模型和排序模型，其中召回模型使用协同过滤算法，排序模型使用gbdt+lr算法
   • 使用的数据为ml-100k的数据，data_process.py为数据处理脚本, gbdt_lr.py为gbdt和lr的排序模型的训练脚本, cf_gbdt_lr_prdict.py为融合ALS和gbdt_lr整体的预测，其中ALS为召回模型。
   • 案例来源： wuxinping1992/cf_gbdt_lr
4. ALS_Lightfm-关注隐式反馈-xingwudao
   • 关注隐式反馈，探索了一些隐式反馈做推荐的方法。代码对应博客：为什么一定要重视隐式反馈？
   • 案例来源：xingwudao/learning-to-rank-with-implicit-matrix
5. Multi-Armed Bandit: epsilon-greedy
6. FM（Factorization Machines）实践
   • FM（Factorization Machines）的理论与实践 - 小孩不笨的文章 - 知乎
     • 本文使用的数据是movielens-100k，数据包括u.item，u.user，ua.base及ua.test。 | GitHub
   • 《推荐系统算法实践》，黄美灵著，第7章因子分解机
   • MovieLen20M-FM-U2I-I2i-Faiss
7. LightFM练习
   • How to build a Movie Recommender System in Python using LightFm | GitHub
   • How to Build a Scalable Recommender System for an e-commerce with LightFM in python | AI前线翻译 | GitHub-code
8. FNN(FM+DNN)
   • 基于深度学习的推荐(二)：基于FM初始化的FNN | GitHub
9. Wide & Deep
   • 案例来源：《推荐系统算法实践》，黄美玲，第12章 Wide & Deep模型
10. Deep-Cross-Net
    • 案例来源：FitzFan/Deep-Cross-Net