已找到以下 47 条记录
AI智能搜索
产品选择
推荐系统 RES
没有找到结果,请重新输入
产品选择
推荐系统 RES
在搜索结果页开启AI智能搜索
开启
产品选择
没有找到结果,请重新输入
  • 排序策略-离线排序模型 - 推荐系统 RES

    数值稳定常量:为保证数值稳定而设置一个微小常量。默认1e-8。 adagrad:自适应梯度算法 对每个不同参数调整不同学习率,对频繁变化参数以更小步长进行更新,而稀疏参数以更大步长进行更新。 学习率:优化算法参数,决定优化器在最优方向上前进步长参数。默认0.001。 初

  • 构造请求 - 推荐系统 RES

    对于获取用户Token接口,您可以从接口请求部分看到所需请求参数及参数说明。将消息体加入后请求如下所示,加粗斜体字段需要根据实际值填写,其中username为用户名,domainname为用户所属账号名称,********为用户登录密码,xxxxxxxxxx为project名称,如“cn-n

  • 部署服务 - 推荐系统 RES

    在购物车场景,使用召回候选集来自于离线计算基于物品协同过滤生成候选集,而为了尽可能保证推荐匹配度,要求推荐出来物品尽可能用户性别、体质和年龄等属性吻合,所以考虑基于用户性别、体质和年龄等属性用标签索引得到满足条件物品列表item1, 对离线生成items2进行如

  • 自定义场景(热度推荐) - 推荐系统 RES

    在“test-data”文件夹下,将behavior.txt中每条数据actionTime字段值修改到当前时间附近。将item.txt中每条数据publishTime字段值修改到当前时间附近,将item.txt中每条数据expireTime字段值修改成大于当前时间值,避免数据因为过期被过滤掉。

  • 排序策略 - 推荐系统 RES

    数值稳定常量:为保证数值稳定而设置一个微小常量。默认1e-8。 adagrad:自适应梯度算法 对每个不同参数调整不同学习率,对频繁变化参数以更小步长进行更新,而稀疏参数以更大步长进行更新。 学习率:优化算法参数,决定优化器在最优方向上前进步长参数。默认0.001。 初

  • 近线作业 - 推荐系统 RES

    兴趣标签召回候选集:根据用户画像兴趣标签召回候选集。 实时标签召回候选集:根据用户实时操作物品标签召回候选集。 默认兴趣标签召回候选集。 兴趣宽度 生成候选集中兴趣宽度,值越小候选集中类型越少。 说明: 选择兴趣宽度数量对应,权重值最高兴趣标签个数进行检索,得到标签匹配物品候选集。

  • 召回策略 - 推荐系统 RES

    UserCF算法生成用户-物品列表候选集。 基于交替最小二乘矩阵分解推荐 基于交替最小二乘矩阵分解推荐:基于用户-物品行为信息作为原始矩阵,利用ALS优化算法对原始矩阵进行矩阵分解,分解之后用户隐向量矩阵和物品隐向量矩阵可以用来生成预估用户-物品评分矩阵,提取出评分最高若干个物品作为召回结果。