User-Based 协同过滤：找出与当前User X最类似的N个User，并根据N个User对某Item的打分估计X对该Item的打分。在类似度算法方面，我们采取了Jaccard Similarity：

Model-Based 协同过滤：用一组隐含因子来接洽用户和商品。个中每个用户、每个商品都用一个向量来表示，用户u对商品i的评价经由过程计算这两个向量的内积获得。算法的关键在于根据已知的用户对商品的行动数据来估计用户和商品的隐因子向量。

Item-Based 协同过滤：我们先用word2vec对每个Item取其隐含空间的向量，然后用Cosine Similarity计算用户u用过的每一个Item与未竽暌姑过Itemi之间的类似性。最后对Top N的结不雅进行召回。

Query-Based：是根据Query中包含的及时信息（如地舆地位信息、WiFi到店、关键词搜刮、导航搜刮等）对用户的意图进行抽象，大年夜而触发的策略。

Location-Based：移动设备的地位是经常产生变更的，不合的地舆地位反竽暌钩了不合的用户场景，可以在具体的营业中充分应用。在推荐的候选集召回中，我们也会根据用户的及时地舆地位、工作地、栖身地等地舆地位触发响应的策略。

离线计算层：离线计算层重要包含了算法集合、算法引擎，负责数据的┞符合、特点的提取、模型的练习、以及线下的评估。

近线及时数据流：主如果对不合的用户流实施订阅、行动猜测，并应用各类数据处理对象对原始日记进行清洗，处理成格局化的数据，落地到不合类型的存储体系中，供下流的算法和模型应用。

在线及时打分：根据用户所处的场景，提掏出相对应的特点，并应用多种机械进修算法，对多策略召回的结不雅进行融合和打分重排。

具体的推荐流程图如下：

大年夜整体框架的角度看，当用户每次请求时，体系就会将当前请求的数据写入到日记傍边，应用各类数据处理对象对原始日记进行清洗，格局化，落地到不合类型的存储体系中。在练习时，我们应用特点工程，大年夜处理过后的数据集中选出练习、测试样本集，并借此进行线下模型的练习和预估。我们采取多种机械进修算法，并经由过程线下AUC、NDCG、Precision等指标来评估他们的表示。线下模型经由练习和评估后，如不雅在测试集有比脚绫趋显的进步，会将其上线进行线上AB测试。同时，我们也有多种维度的报表对模型进行数据上的支撑。

3. 深度进修在点评推荐排序体系中应用

对于不合召回策略所产生的候选集，如不雅只是根据算法的汗青效不雅决定算法产生的Item的地位显得有些简单粗暴，同时，在每个算法的内部，不合Item的次序也执偾简单的由一个或者几个身分决定，这些排序的办法只能用于第一步的初选过程，最终的排序结不雅须要借助机械进修的办法，应用相干的排序模型，综合多方面的身分来肯定。

　　推荐阅读

　　特斯拉Model 3驾驶初体验：它会改变一切

自成立之日起，特斯拉电动汽车公司就承诺要推出一款大年夜众型电动汽车。美国本地时光7月28日，这款汽车终于面世。在位于加州的工厂中，特斯拉向首批30位买家交付了Model 3。美国主流收集>>>详细阅读

本文标题：深度学习在美团点评推荐平台排序中的运用

地址：http://www.17bianji.com/lsqh/36483.html

 1/2    1