一、特征选择是什么特征选择就是单纯地从提取到的所有特征中选择部分特征作为训练集特征，特征在选择前和选择后可以改变值、也不改变值，但是选择后的特征维数肯定比选择前小，毕竟我们只选择了其中的一部分特征。主要方法（三大武器）：Filter（过滤式）：VarianceThresholdEmbedded（嵌入式）：正则化、决策树Wrapper（包裹式）这里我们我们主要过滤式,其余的后续再介绍二、特征降维的实

  互联网中到处都是图结构的数据，比如我们熟悉的社交网络，最近流行的知识图谱等等，这些数据中包含着大量的关系信息，这对推荐系统来说是非常有帮助的。  为了能更好地利用这些信息进行推荐，各大巨头可谓尝试了各种办法，比如 DeepWalk、Node2Vec 这些非常实用的 Graph Embedding 方法。但是技术的发展永无止境，最近两年，GNN（Graph Nerual Netwrok，图神经网

一、字典特征抽取字典数据抽取就是把字典中的一些类别数据分别转化成特征值from sklearn.feature_extraction import DictVectorizerdef dictvec():"""字典数据提取"""# 实例化dict = DictVectorizer(sparse=False)# sparse=False后,dict在调用fit_transform后则返回的是ndar

什么是决策树

什么是链路预测链路预测是一个利用图网络做预测的经典任务。所谓链路（Link）指节点与节点之间的连接，也就是图论中的边。如上图所示，所谓链路预测就是预测原本不相连的两个节点之间是否有边存在，若是在有权图中，那就顺便还预测下相邻边的权重。如果该图是一个社交网络图，那么链路预测的任务就好比是在预测某个用户是否对另一个用户感兴趣，也就是好友推荐任务，如果是一个用户物品图，那么链路预测就是物品推荐任务。链路

GAT(Graph Attention Networks)，加入了注意力机制的图神经网络，与GCN不同的是，其消息传递的权重是通过注意力机制得到。GAT的计算过程：aij=softmaxjeijexp(eij)Σk∈Niexp(eik)a_{ij}=softmax_{j}e_{ij}\frac{exp(e_{ij})}{\Sigma_{k∈N_i}exp(e_{ik})}aij​=softmaxj

协同过滤算法的基本原理用户行为数据是推荐系统最常用，也是最关键的数据。用户的潜在兴趣、用户对物品的评价好坏都反映在用户的行为历史中。而协同过滤算法，就是一种完全依赖用户和物品之间行为关系的推荐算法。我们从它的名字“协同过滤”中，也可以窥探到它背后的原理，就是 “协同大家的反馈、评价和意见一起对海量的信息进行过滤，从中筛选出用户可能感兴趣的信息”一起看一个电商场景下的例子。这个电商推荐系统从得到原始

一、什么是Embedding简单来说，Embedding 就是用一个数值向量“表示”一个对象（Object）的方法，这里说的对象可以是一个词、一个物品，也可以是一部电影等等。一个物品能被向量表示，是因为这个向量跟其他物品向量之间的距离反映了这些物品的相似性。更进一步来说，两个向量间的距离向量甚至能够反映它们之间的关系。这个解释听上去可能还是有点抽象，那我们再用两个具体的例子解释一下。上图是 Goo