“个性化推荐技术(个性化推荐的弊端)”

本篇文章2239字，读完约6分钟

以下要点介绍个性化推荐的方法。 上图是整体流程图，我们一步一步说吧。

你推荐哪里，也就是你推荐的场景是哪里？ 影响今后如何拍摄样品和特写。

I .给谁？ 我是你的参加者。 这决定了如何获取你的样本和顾客图像的特征。

iii .你什么时候推荐？ 也就是说，时间的顾客通常以商品的行为为重点？ 引入这个特点可以使推荐效率最大化

v .定义可以获取那些数据，数据结构是什么，直接影响要素的构建质量。

2 .建筑特征

一、与场景相关联的客户行为指标，如客户曝光、点击、下载、点击概率、下载率等。

ii .与人物相关的顾客图像指标，如年龄、性别、学历、会员、黄钻等。

iii .与项目相关联的属性指标，如游戏类型、游戏主题等。

然后生成顾客行为特征、顾客肖像特征、对象肖像特征、对象属性特征四种特征。

提示:客户行为特征有两个简单的行为特征，如曝光量、点击量、下载量、点击概率和下载率。 另一个非常重要(后来创造特征)。 例如，客户点击不同游戏主题的概率等，是客户对项目属性的行为特征。 一个头像的特征是指一个物品在一个顾客头像下的行为比例，例如游戏不同性别的下载比例，用于后续特征。 这是非常重要的。 特征性的时间覆盖可以根据情况进行明确，最好是展望足够稳定的顾客，最好包含统计日的最近数据。

第二步:合并上一步的特征，分为顾客特征和项目特征，合并为两部分(两个表)。

温馨提示:最好收集所有特征数据。 这样一来，只要你的特征类型丰富，就会引入一些目标业务以外的新客户，从而带来新客户，避免后续预测出现瓶颈。

第3步:在部署lr模型并进行培训之前，需要进行特色工程业务。

清除、删除或输入影响培训的脏数据，如空值和异常值。

ii .标准化为了消除不同维度对模型拟合的影响，需要将特征标准化，从而能够加快模型拟合，提高效果。 可以根据情况使用以下方法:

( a )最小-最大: s(x ) =(x最小( x ) )/(最大( x )最小( x ) )

( c )对数: s(x ) =ln(1 x )/(1 ln(1 x ) )

其他:

前瞻性特点: s(x ) = (1- exp (1/3)/avg(x ) * x )/(1exp(1/3)/avg(x ) * x )。

的负特征: s(x ) =1- ( 1至exp (1/3)/avg(x ) * x )/( 1至XP (1/3)/avg(x ) * x )。

iii .平滑度、点击概率、保存率等转换率特征。 分母小的话，会发生购买率极高的异常情况，经常影响模型评价的正确性，所以需要平滑化。 有好几种方法。

( b )分母大于某位数时，否则只有在0或其他情况下使用该汇率

( c )在分母中添加足够大的数据，以淡化这种负面影响，例如这一特征的平均值；

iv .将原始特征值分割为一系列0和1矢量的离散化。 离散特征有几个优点。

( a )离散特征易增减，模型易快速迭代；

( c )离散化的特征对异常数据具有很强的鲁棒性:例如，一个特征是年龄30为1，否则为0。 如果特征不离散化，“年龄300岁”的异常数据会对模型产生很大的干扰。

( d ) logistic回归是广义的线性模型，表现能力有限的单个变量离散为n个后，各变量各有自己的权重，相当于在模型中引入非线性，可以提高模型的表现能力，提高拟合度。

( e )离散化后，可以进行特征交叉，从m ^ n个变量到m*n个变量，可以进一步引入非线性，提高表达能力；

( f )特征离散化后，模型更稳定。 例如，客户年龄离散，20-30岁客户满1岁就不会变成完全不同的人。 当然区间附近的样本是相反的，所以如何划分区间是一门学问。

提示:顾客肖像特征和物品属性特征必须离散化，物品属性的顾客行为特征和物品肖像特征也必须离散化，成为后续特征的组合，其他连续的特征因情况而异。 如果需要高速互联网，可以省略它，也可以使用gbdt之类的算法自动离散特征。

v .特征组合，前一步离散化的目的之一是为了方便。 可以在从数据中真正推荐客户最有兴趣的项目的同时，在模型中引入非线性，提高模型的表达能力，改善效果。 典型的cross方法包括内积和笛卡儿积，可能用于更具体的情况。 笛卡儿积带来的特征性扩张很厉害。

提示:以下两种类型的交叉必须符合客户人物形象特征x物品人物形象特征复制属性的客户行为特征x复制属性特性。 客户与项目之间的交叉可以根据具体情况进行。

vi .特征过滤器的目的是选择模型的最佳特征子集。 特征之间有一点相互作用。 例如，有些特征包含其他特征。 有些特征与其他特征相关。 有些特征需要与其他特征结合起来发挥作用。 有些特征是负相关的。 根据这些特征之间的关系，选择适当的特征集会对模型的效果产生很大的影响。 有两个选择。

( a )测量单一特征值和目标变量，即样本标签值之间关系的滤波器。 常用的方法有相关系数、卡方检验、新闻增益、基尼系数

( b )纳入，我认为这是比较可行的方法。 其思路是利用模型本身自动选择特征。 例如，正则化――l1lasso具有特征选择的能力，决定树，每次选择分类节点时，都选择最佳的分类特征进行分割。

提示:样本数据可以通过r对训练进行采样。 输出的结果是特征性的p值得分，如下图所示，更容易筛选出初步的特征。 也可以在lr训练之前尝试一次rf训练，按照得到特征重要度的顺序进行标记，再按照该顺序选择比例较大的特征放入lr进行训练。