序列化推荐系统旨在根据用户的浏览历史动态地为用户推荐下一个商品，这在Yelp、TikTok、Amazon等众多Web应用程序中发挥着至关重要的作用。这些推荐系统通过使用不同的神经网络架构来学习用户-商品交互中商品之间的依赖关系，从而对用户行为进行建模。这些模型通常使用商品ID来表示商品，通过随机初始化向量来表示不同的商品，并使用来自用户-商品交互的信号来优化这些商品的向量化表示。
推荐系统的应用场景，我相信在日常生活中大家基本都会接触到。例如，作为一个篮球爱好者，在淘宝上搜索的“kobe X 篮球鞋”，然后之后一段时间打开淘宝，首页界面可能会推荐很多与篮球鞋相关的商品，这算是一个比较正常的应用场景吧。当然还可能有其它的一些场景，例如上面用户吐槽的手机麦克风可能被监控，进而自己的喜好被平台方获取并产生推荐......
又爱又恨的推荐系统 作为一名程序猿，一直对推荐系统比较感兴趣，最近看到一个用户的吐槽： 又爱又恨 推荐系统的应用场景，我相信在日常生活中大家基本都会接触到。例如，作为一个篮球爱好者，在淘宝上搜索的“k
Jointly Learning Explainable Rules for Recommendation with Knowledge Graph(WWW19)
协同过滤推荐算法是诞生最早，并且较为著名的推荐算法。主要的功能是预测和推荐。算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。协同过滤推荐算法分为两类，分别是基于用户的协同过滤算法(user-based collaboratIve filtering)，和基于物品的协同过滤算法(item-based collaborative filtering)。简单的说就是：人以类聚，物以群分。下面我们将分别说明这两类推荐算法的原理和实现方法。
上周有粉丝私信老shi想要找推荐系统相关的论文，刚好这两天老shi无意中在b站上观看了国内某知名大学教授关于目前博士生就业问题相关论文解说的视频，感觉很有意思，就萌生了给大家翻译一篇经典的推荐系统论文的想法。本期课程老shi决定给大家带来一篇2003年亚马逊曾经发表过的论文《Amazon.com Recommendations Item-to-Item Collaborative Filtering》翻译，这篇论文可谓是一篇比较早的经典的基于Item-to-Item（商品-商品）的协同过滤论文了。废话不多说，马上进入正题。
没有大量的数据，没有大量的人力就不能做好推荐么？当然不是，热传导/物质扩散推荐算法就是作为冷启动及小规模团队非常实用的推荐召回部分的算法。
image.png 个性化推荐最佳实践 一、基本概念 网络营销解决方案提供商Questus公司的调查显示，在选择网络购物的消费者中，32%的人认为浏览体验非常重要；在决定不再网上购物的消费者中，22%是因为很难找到想要的商品。根据推荐技术服务公司Baynote的调查，如果人们点击了三次之后还无法找到自己想要的商品，95%的人会离开这个网站。 对于零售网站来说，如果不能准确地为顾客展示他们喜欢的产品，让顾客将时间浪费在浏览自己不感兴趣的商品上，那么最终为顾客糟糕的浏览体验埋单的还是零售网站自己。 个
互联网彻底改变了我们的购物方式。只需点击搜索按钮，数以千计的相关商品便会立即弹出来。在这个过程中，无论我们是否意识到，我们都正在使用 推荐系统（Recommendation System，RS）。
一、推荐系统概述和常用评价指标 1.1 推荐系统的特点 在知乎搜了一下推荐系统，果真结果比较少，显得小众一些，然后大家对推荐系统普遍的观点是： (1)重要性UI>数据>算法，就是推荐系统中一味追求先
个性化推荐是随着移动互联网发展不断发展起来的，它是建立在海量数据挖掘基础上的一种高级商务智能平台，以帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务。有赞微商城使用个性化推荐系统，尤其是在关键节点增加推荐入口，进行场景化推荐，帮助商家进一步提高用户的付款转化率，最大化流量变现。
Sequential Recommender Systems: Challenges, Progress and Prospects(IJCAI2019)
忙于项目和公司的事情，好久没有写关于数据分析的文章，很多关注我的朋友都在催促我更新。其实，一直都有在想写也在纠结写什么内容的文章，刚好最近做了一个关联销售的项目，这个项目比较易懂，实际用处也比较大，所以这次就写一个关联销售的案例。
用户-商品交互的时间顺序可以揭示出推荐系统中用户行为随时间演进的序列性特征。用户与之交互的商品可能受到用户曾经接触的商品的影响。但是，用户和商品数量的大量增加，使得序列推荐系统仍然面临很多重要问题：（1）对短时用户兴趣建模的困难；（2）捕捉用户长期兴趣的困难；（3）对商品共现模式的建模效率较低。为了应对这些挑战，本文提出了一个记忆增强的图神经网络（memory augmented graph neural network, MA-GNN），以捕捉用户的长期和短期兴趣。
准确地说这个时代，不能称之为推荐系统的时代，这一个时代未能给每个用户构建属于他的推荐结果，没有很好地解决个性化长尾问题，所以这个可以叫前推荐时代。
随着 ChatGPT 的横空出世与 GPT-4 的重磅登场，生成式 AI（Generative AI）引起了前所未有的关注，基于 GPT（Generative Pre-Trained Transformer）的模型在各类 NLP 和 CV 任务上取得了惊人的效果。生成式 AI 模型可以根据训练过的数据创建新的内容、模式或解决方案，一些典型应用包括 ChatGPT、Stable Diffusion 和 DALL·E 等（封面图片来自 DALL·E）。然而，在推荐系统（RS）领域研究中，受限于推荐系统 User/Item ID 的范式，以及大多情况下为非通用、非常识知识，因而直接将基于 GPT 的模型作为推荐模型具有一定的局限性。例如，在电影、图书和音乐等领域推荐场景直接将 ChatGPT 作为推荐模型可以取得较好的效果，然而，在其他一些领域推荐场景直接利用 ChatGPT 效果有限。随着各类生成式模型层出不穷，部分研究人员开始考虑如何在 RS 中有效引入生成式 AI。本文主要关注 RS 和生成式 AI 可能存在的结合点，调研了 RecSys'23 等会议录用的若干相关工作，以及最新已公开的若干方法。
协同过滤推荐算法是诞生最早，最为基础的推荐算法。 算法通过对用户历史行为数据的挖掘发现用户的偏好，基于不同的偏好对用户进行群组划分并推荐品味相似的商品。
一、推荐的概述 在推荐系统中，通常是要向用户推荐商品，如在购物网站中，需要根据用户的历史购买行为，向用户推荐一些实际的商品；如在视频网站中，推荐的则是不同的视频；如在社交网站中，推荐的可能是用户等等，
一般都认为，亚马逊的成功要归功于它鼎鼎大名的“一键下单”功能，但“一键下单”的背后，还需要一个成单量极高的智能推荐系统，来驱动消费者不停地在亚马逊上“买!买!买!”。这就是用户点击分析、机器学习和个性化推荐的综合力量。本文的目的，正是回顾亚马逊这个以成单率著称的个性化推荐系统的发展历程。 本文作者是2003年那篇“久经考验”的亚马逊推荐系统论文的作者，他们在这里分享的是这篇经典论文发布后的新发现与新见解。如果你想阅读这篇经典论文，请在公众号会话回复“亚马逊”，即可获得完整论文。 作者 | Brent
TLDR：针对传统推荐算法存在的表征能力有限、不确定性等挑战，本文提出一种利用扩散模型进行序列推荐的工作，该工作能够实现高质量、多样性的推荐效果。
“把啤酒放在尿布旁，有助于提升啤酒销售量”是关联规则推荐的经典案例，今天，和大家聊聊“关联规则推荐”，正文不含任何公式，保证PM弄懂。 一、概念 什么是关联规则（Association Rules）？ 答：关联规则是数据挖掘中的概念，通过分析数据，找到数据之间的关联。电商中经常用来分析购买物品之间的相关性，例如，“购买尿布的用户，有大概率购买啤酒”，这就是一个关联规则。 画外音：如果把买尿布记作A，买啤酒记作B。 “买尿布的用户有较大概率买啤酒”这个关联规则记作A -> B。 什么是关联规则推荐（Assoc
工程架构方向的程序员，看到推荐/搜索/广告等和算法相关的技术，心中或多或少有一丝胆怯。但认真研究之后，发现其实没有这么难。
很多网站都具备了内容推荐的功能，不仅是像B2C电子商务类的卓越的图书推荐，也包括兴趣类网站像豆瓣的豆瓣猜等。这类功能无疑在帮助用户发现需求，促进商品购买和服务应用方面起到了显著性的效果。那么这类的推荐是怎么得到的呢？其实跟网站数据分析不无相关，我们可以来简单看一下它的原理和实现。 关联推荐在营销上被分为两类： 向上营销(Up Marketing)：根据既有客户过去的消费喜好，提供更高价值或者其他用以加强其原有功能或者用途的产品或服务。 交叉营销(Cross Marketing)：从客户的购
在介绍推荐算法评测之前，我先简单说下推荐系统，这里我以商品为例，简单描述下推流程，让大家更明白一些，一般推荐主要包含以下步骤： 召回->打分排序->透出
在推荐系统中，通常是要向用户推荐商品，如在购物网站中，需要根据用户的历史购买行为，向用户推荐一些实际的商品；如在视频网站中，推荐的则是不同的视频；如在社交网站中，推荐的可能是用户等等，无论是真实的商品，还是视频，再或者是用户，都可以假设成一种物品，如下图所示：
母婴相对一般的电子商务网站有一些特点：第一个特点是商品周期短，在母婴网站上的商品，在线的时间不会超过5-7天，第二个是用户需求的变化快，在母婴行业，可能是用户的需求变化最快的领域，比如是用户处在怀孕当
贝贝网的主要产品是垂直的母婴类，母婴相对一般的电子商务网站有一些特点：第一个特点是商品周期短，在母婴网站上的商品，在线的时间不会超过5-7天，第二个是用户需求的变化快，在母婴行业，可能是用户的需求变化
前文介绍了个性化推荐十大挑战的背景其中的数据稀疏性问题，冷启动问题。本篇介绍个性化推荐十大挑战中的大数据处理与增量计算问题，多样性与精确性的两难困境，推荐系统的脆弱性问题，用户行为模式的挖掘和利用。篇幅较长，大家耐心看噢~ 接上文：个性化推荐十大挑战(上) 挑战三：大数据处理与增量计算问题。 尽管数据很稀疏，大部分数据都包含百千万计的用户和商品，与此同时，新商品也不断加入系统，新用户不停进入系统，用户和商品之间还不停产生新的连接。数据量不仅大，而且数据本身还时时动态变化，如何快速高效处理这些数据成为迫在
本文对 luban-mall 电商项目中的商品中心和订单中心业务进行了一番梳理，主要梳理了业务功能对应的表结构和对应的页面操作入口，熟悉这两个模块的业务开发流程。希望对正在学习luban-mall项目的小伙伴能有所帮助。下一篇文章笔者将继续发文介绍电商项目中的支付流程业务，敬请期待！
长尾物品（Tail Items）在推荐系统中是非常常见的，长尾的存在导致了样本的不均衡，对于热门头部物品（Head Items）的样本量多，模型学习这部分的效果越好，而长尾物品的样本量少，导致模型对该部分Item的理解不够充分，效果自然也就较差。
花名：越祈 部门：算法中心搜索策略组 入职时间：2017/06/01 主要从事蘑菇街推荐算法相关研发工作 引言 蘑菇街是一家社会化导购电商平台，推荐一直是其非常重要的流量入口。在电商平台中，推荐的场景覆盖到用户浏览行为和交易的各个环节，如搜相似、商品详情页、购物车、订单和支付等。传统的itemCF、关联规则、simirank、swing等推荐相似召回技术也广泛应用于推荐各个场景中。在电商场景，计算商品和商品、用户和商品之间的相似性是一个非常重要的课题，但是受限大部分数据是稀疏，传统的关联规则，simiran
对于中小型的公司，用户的数据量及公司产品的个数都是较小规模的，需要提供给用户的推荐系统实现的重心也从人性化变成了实现成本，协同推荐就是非常常见、有效且可以快速实现的方法，也是本文想介绍的。
原文：https://pdfs.semanticscholar.org/943a/e455fafc3d36ae4ce68f1a60ae4f85623e2a.pdf
推荐系统目前几乎无处不在，主流的app都基本应用到了推荐系统。
MAB问题又称多臂老虎机问题，一个老虎机上有多个老虎臂，每次摇动不同的臂会得到不同的收益，那么如何才能让多次尝试后整体收益最大？这就是多臂老虎机问题。 MAB问题可以采用Bandit算法来解决，Bandit算法的思想是希望在多次摇臂后的累积遗憾最小，遗憾即为最好收益与实际收益的差值。这类方法通常包含三个方面，环境、臂和回报。在推荐系统中，不同的策略或者不同的物料池就是不同的臂，而回报就是指用户的反馈。 在推荐系统中Bandit算法通常可用于冷启动和EE问题，冷启动问题即当新用户或新商品出现时，在系统中缺乏他们的交互数据，从而对兴趣推荐造成困扰；推荐系统中的EE问题为Exploration（探索）和Exploitation（利用）问题。
一年一度的女王节降临，转眼又到了女王们纷纷拔草，各位男士表达爱意、宠爱自己女王的时候了。 可是，怎么才能挑选到物美价廉、心仪的商品呢？ 今天，知晓程序（zxcx0101）就给各位女王和女王的男票，推荐 5 款实用的购物小程序。 1. 购物决策助手：选择困难症的剁手参考 女王们通常都有病，比如选择困难症……在购物时，常会陷入一种无法做决定的纠结彷徨中。 买哪一件，买哪一双？好像两件都很好看耶！两双都想买！ 怎么办？要是不想对钱包造成冲动式伤害，请打开张大妈出品的「购物决策助手」小程序，做出正确的购物决策。
本文解读CIKM 2019电商竞赛的三大获奖方案,这些方案都十分简单而且实用，如果刚刚做这块的朋友可以速速搭建一个非常高效的Baseline哦。
概念 个性化推荐是根据用户的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。 为什么要个性化推荐？ - 商品个数和种类快速增长，顾客需要花费大量的时间才能找到自己想买的商品 - 浏览大量无关的信息和产品，信息过载问题，用户难以获取所需要的信息 分类 基于内容的推荐 根据用户的历史数据，推荐用户感兴趣的产品。 1. 产品表示： 为每个item 抽取出一些 特征来表示此item；结构化属性如身高、学历、籍贯等；非结构化属性如item自己写的交友宣言，博客内容等等，需要转化成结
本次CIKM2019的赛题难点在与数据集过大,如何在此情况下快速迭代模型，实现精准的预测是一大挑战，本次竞赛的前排方案包括分享开源出来的冠军方案也都采用了常规的召回+排序的策略。
导读：京东智能商客之推荐卖点是基于NLP的产品，目前已广泛地助力和赋能于京东商城的各个平台。今天和大家分享一下自然语言处理如何在工业界落地实现。主要围绕以下5个方面展开：
还有读者觉得个性化推荐就等同于协同过滤，这可能是因为协同过滤应用比较广泛并且比较容易为大众理解。实际上协同过滤只是个性化推荐技术中的一个成员。它与很多更先进技术相比，就好像流行歌曲和高雅音乐，前者广受欢迎，而且一般人也可以拿个麦克风吼两声，但是说到艺术高度，流行歌曲还是要差一些。当然，流行歌曲经济价值可能更大，这也是事实。总的来说，协同过滤只是个性化推荐技术中的一款轻武器，远远不等于个性化推荐技术本身。
智能推荐和泛的营销完全不同，后者是将产品卖给客户作为最终目标；而智能推荐是以“客户需求”为导向的，是给客户带来价值的。常见的如淘宝的 “你可能还喜欢”，亚马逊的 “购买此商品的用户也购买了” 便是实例。本文就将详细介绍如何用Python实现智能推荐算法，主要将分为两个部分：
本文主要针对流行度偏差问题而提出的相关方法，大多数现有工作将这个问题置于静态设置中，仅针对带有记录数据的单轮推荐分析偏差。这些工作没有考虑到现实世界推荐过程的动态特性，留下了几个重要的研究问题没有得到解答：
本文博主给大家讲解如何在自己开源的电商项目newbee-mall-pro中应用协同过滤算法来达到给用户更好的购物体验效果。
本次分享是神盾推荐系统中的 Griddle 框架的介绍, 这个框架是一个面向商品推荐的级联框架。
电商行业中，对于用户的商品推荐一直是一个非常热门而且重要的话题，有很多比较成熟的方法，但是也各有利弊，大致如下：
“ 本文主要介绍了推荐系统中常用的评价指标，包括评分预测指标，集合推荐指标，排名推荐指标以及多样性和稳定性等。”
摘要：本文主要介绍阿里的深度兴趣网络DIN模型。为了解决推荐领域中用户历史行为包含大量用户兴趣信息，但只有一小部分用户兴趣信息会最终影响用户点击行为的问题，阿里引入Attention机制提升相关商品的权重同时降低非相关商品的权重，最终实现对用户历史行为进行加权的目的。同时讲了DIN模型中其他具有借鉴价值的工程实践，包括自适应正则Regularization、自适应激活函数Dice和评价指标使用GAUC替代AUC。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
