机器学习领域目前最成功的算法无疑就是推荐算法，所有本鸟也水一个demo练手
来自google的简介，请参考：https://developers.google.com/machine-learning/recommendation/
基于矩阵分解的推荐系统简介：
公式：U * V^T = R
其中U是用户的权值矩阵，V是内容的权值矩阵（可以是电影、新闻），R是评分矩阵
比如：
R代表用户对内容的评分，其中行代表用户，列代表内容
u\v | 1 | 2 | 3 | 4 |
———————
1 | 0 | 1 | 0 | 2 |
———————
2 | 0 | 0 | 1 | 0 |
———————
3 | 3 | 0 | 1 | 0 |
———————
4 | 1 | 3 | 0 | 1 |
这个算法要做的是从这个评分矩阵R分解出d维U、V矩阵
U
d\u | 1 | 2 | 3 | 4 |
———————
1 | ? | ? | ? | ? |
———————
2 | ? | ? | ? | ? |
V
d\v | 1 | 2 | 3 | 4 |
———————
1 | ? | ? | ? | ? |
———————
2 | ? | ? | ? | ? |
其中的?就是需要模型计算的值
看到这里，有没有想过一个问题？
用户评分过的电影才有评分，但是这些用户已经看过了，推荐出来有什么用？
1、这个模型可以再分解（称为双塔模型），加入关键词tag的概念
2、我们称U->tag的模型位为用户嵌入query，也就是常说的用户画像
3、称tag->V的模型为内容嵌入item，也就是用关键词训练出来的模型
4、这样，给用户推荐的内容就是
5、接下来就是召回（翻译的很粗糙），其实就是在候选集中假如过滤规则，进行重新打分排序，产生最终的推荐结果
项目代码：https://github.com/inferne/notes/tree/master/tensorflow/Recommedation
转载请注明：小Y » tensorflow推荐系统模型
