《中国人工智能学会通讯》——7.12 推荐系统简介
7.12 推荐系统简介 典型任务和相关算法 ● 评分预测最早的推荐系统任务（也是目前较为常见的任务）是评分预测。输入归纳起来可以分为用户（User）、物品（Item）和打分（Rating）三个方面，因此可以使用一个二维矩阵来刻画评分预测的输入，分别对应于一个矩阵中的行、列、值。为了解决这一问题，常见的算法如基于相似近邻的协同过滤算法、矩阵分解等。其中矩阵分解算法得到了广泛应用，并且在实践中具有....
《中国人工智能学会通讯》——11.7 场景化个性化的地理位置推荐系统
11.7 场景化个性化的地理位置推荐系统 基于地理位置的社会媒体网络服务的出现 , 例如 Foursquare、Facebook Places 和大众点评，为人们提供了一个产生和分享在物理位置进行评价的活动的便捷平台。全面地理解这种基于地理位置的用户评分行为对于进行很多应用十分重要 , 例如个性化推荐、地理位置探索和服务营销。文献 [8] 已经做了很多努力进行从用户评分历史数据中挖掘知识帮助用户....
中国人工智能学会通讯——深度学习与推荐系统 3 总结与展望
3 总结与展望 本文中简要介绍了推荐系统的核心技术，以及关于深度学习在推荐系统上的最新进展。可以看到，目前深度模型在推荐系统上的应用还处于比较初级的阶段[28]，尤其是技术上的发展较慢于计算机视觉和自然语言处理领域。关于未来工作有如下三点展望。 （1）在线学习与增量学习。在实际产品中，用户数据实时到达，为了更好地提供服务，推荐系统模型需要能够实时、有效地刷新推荐列表，这对模型的在线学习和增量学习....
中国人工智能学会通讯——深度学习与推荐系统 2.2 深度交互函数学习 (Learning Interaction Function with Deep Learning)
2.2 深度交互函数学习 (Learning Interaction Function with Deep Learning) 作为早期使用神经网络进行评分建模的代表性工作，文献[42]使用限制玻尔兹曼机（RBM）学习交互函数，但该方法的近似优化算法较为费时[28]，且不易扩展到有辅助信息的情况。近期，我们在WWW2017上[6]提出了一个简单通用的基于神经网络的协同过滤框架（Neural ...
中国人工智能学会通讯——深度学习与推荐系统 2.1 深度特征抽取(Extracting Side Features with Deep Learning)
2.1 深度特征抽取(Extracting Side Features with Deep Learning) 图4总结了一系列工作使用深度学习进行特征抽取，并用于协同过滤的基本框架。介于深度学习技术抽取出的特征通常是相对较短、稠密的向量（也称为嵌入式表示，embedding），可以和基于隐向量的矩阵分解方法无缝结合，因此这类工作大都采用矩阵分解模型进行协同过滤。例如，文献[33]在音乐推荐任务....
中国人工智能学会通讯——深度学习与推荐系统 2 深度学习在推荐系统的应用
2 深度学习在推荐系统的应用 深度学习指代多层级的人工神经网络，近年来在语音识别、计算机视觉和自然语言处理等领域取得了巨大成功[32]。根据深度学习技术在推荐系统中的应用方式，将相关工作大体分为两类：①作为一种基于数据的表征学习的方法，深度学习技术可以从语义较为丰富的输入数据（如语音、图片、文本等）中抽取出有效的特征表示，以方便下游应用，如检索和推荐等[11,14,17,33-40 ]；②作为一....
中国人工智能学会通讯——深度学习与推荐系统 1.2 基于特征的推荐 (Feature-based Recommendation)
1.2 基于特征的推荐 (Feature-based Recommendation) 协同过滤只考虑用户与物品的交互历史，本质上是用ID表示一个用户或物品。基于特征的推荐方法旨在融合各种其他辅助信息，以提高推荐的准确度。该类算法将用户(ID及其属性)、物品(ID及其属性)和上下文信息统一表示为特性向量作为输入，用于预测目标评分值。图3为一个输入数据表示的实例。 在将数据表示为特征向量到目标值的.....
中国人工智能学会通讯——深度学习与推荐系统 1.1 协同过滤 (Collaborative Filtering)
1.1 协同过滤 (Collaborative Filtering) 简单来说，协同过滤是指在预测一个用户对物品的喜好程度时，不仅仅依赖于该用户的历史记录，同时也要考虑其他用户的历史记录。其基本假设是兴趣相投、拥有共同经验的群体未来会喜欢相似的物品。协同过滤建模主要使用用户对物品的历史交互数据，也称为反馈数据。根据交互行为是否反映用户对物品的喜好程度可以把反馈数据分为两类：①显式反馈（expli....
中国人工智能学会通讯——深度学习与推荐系统 1 推荐技术简介
在当今信息爆炸时代，个性化推荐系统是面向用户的互联网产品的核心技术，可以帮助用户获取所需要的信息，改善信息超载的问题。推荐系统的技术核心是对用户历史、物品属性和上下文等信息进行建模，以推断出用户兴趣，并向用户推荐感兴趣的物品。在信息大数据时代，要有效地利用海量用户历史信息和物品信息，机器学习技术必不可少。近年来深度学习技术迅猛发展，在多个领域取得了突破性的成果，包括语音处理、计算机视觉、自然语言....
中国人工智能学会通讯——深度嵌入概率图模型:从材料设计、个性化医疗到推荐系统和知识推理
今天我想讲四个应用，它们看起来很不相关，但是我会讲讲它们是怎样连在一起的，特别是你可以用图来表示不同的应用。我会介绍一些机器学习里比较前沿的方法，那就是怎么把图表示成向量的结果。 第一个应用是关于材料科学，或者是应用到药品的设计方面。这个材料是一些分子结构，每一个节点都是不同的原子。显然它能通过图的形式联结在一起，问题就是分子的空间很大，怎么寻找有用的分子去制药，或者去做很好的材料？如果用机器学....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
人工智能通讯相关内容
人工智能更多通讯相关
- 人工智能通讯方法
- 人工智能通讯知识图谱
- 人工智能通讯行为
- 人工智能通讯结束语
- 人工智能通讯众包技术
- 人工智能通讯众包
- 人工智能通讯任务分配
- 人工智能通讯技术
- 人工智能通讯评估
- 人工智能通讯嵌入
- 人工智能通讯研究
- 人工智能通讯应用
- 人工智能通讯金融
- 人工智能通讯构建强健
- 人工智能通讯科学
- 人工智能通讯决策
- 人工智能通讯视觉
- 人工智能通讯实践
- 人工智能通讯机遇
- 人工智能通讯偏好
- 人工智能通讯视频行为识别
- 人工智能通讯科学鉴赏创作
- 人工智能通讯意识科学研究进展
- 人工智能通讯bots一站
- 人工智能通讯点击模型
- 人工智能通讯文本
- 人工智能通讯自然语言处理
- 人工智能通讯特征
- 人工智能通讯图灵测试
- 人工智能通讯众包交互式数据修复