一：前言笔者最近在总结推荐系统主流模型，从十多年前的经典的协同过滤算法开始，一直到现有的各大企业所用的推荐模型，笔者一直在思考一个问题，那就是神经网络在计算机领域内的大热，是如何承上启下，承接传统MF，CF算法，又是如何连接到最新的各种模型，创造散发出各大模型的呢。原则上讲，很多读者跟笔者一样，肯定很早就研究过AutoRec,但我们应该考虑的是，在澳大利亚国立大学提出著名的《AutoRec: Au

导语首先声明，本文基本转载于陈开江先生的《Bandit 算法与推荐系统》一文，加上笔者自己的结合目前推荐项目的理解。不准确之处，愿诸君指正。拜谢。推荐系统中经常会遇到EE问题和冷启动问题，在笔者项目过程中，无可厚非的遇到了冷启动问题。对于这两个问题，前者涉及到了平衡准确和多样，后者涉及到了产品推荐算法和运营。bandit算法就是为解决这两个问题的一种在线学习算法。一：什么是bandits算法1.1

基础知识线性代数，机器学习，梯度下降解决的问题协同过滤处理稀疏矩阵的能力较弱；协同过滤中相似度矩阵维护难度大解决思路**引例：通过隐向量给每个用户与每首音乐打上标签

一：从感知机到神经网络感知机模型由若干个输入和一个输出组成，模型如下：输入和输出之间呈线性关系，得到输出结果接着是一个神经元激活函数（符号函数）：最终得到输出结果1或者-1，也就是分类结果。神经网络模型则在感知机模型的基础之上做了扩张，总结为以下三点：1，增加了隐层，也就是输入和输出之间的层，隐层可以有很多层，增加了隐层的好处就是模型的表征能力增强，如下图，当然隐层的增加同时也会带来计算复杂度的增

一：门控循环神经网络简介门控循环神经网络是在经典RNN基础之上调整而出的网络结构，通过加入门控机制（非线性激活函数，通常是sigmoid），用来控制神经网络中的信息传递。门控机制可以用来控制记忆单元中哪些信息需要留下，哪些需要丢弃，新的输入信息又有多少需要保留到记忆单元中。这样门控循环神经网络就可以学习跨度相对较长的长期依赖关系，而且不会产生梯度爆炸或梯度弥散。具体的原理是：从数学角度上讲，在一般

首先声明，本文源自于刘建平老师的博客，原文写的非常好，在此结合鄙人的项目经验和大家分享。word2vec原理(一) CBOW与Skip-Gram模型基础一：词向量基础word2vec是谷歌于2013年提出的一个nlp工具，他的特点就是将词向量化，这样，词与词之间就可以定量的去度量他们之间的相互关系，发掘词之间的联系，用词向量来表示词并不是word2vec的首创，很早之前就出现了，最早的词向量是很冗