9、Collaborative Metric Learning Recommendation System: Application to Theatrical Movie Releases------CML推荐系统(电影院放映的应用)

一、摘要:

主要是做一个基于协作(深度)度量学习(CML)的系统来预测新剧场版本的购买概率。即测量产品的空间距离来预测购买概率。

二、模型

该图分为两部分,先计算右边,右边通过深度度量学习(DDML)来计算产品距离,将得到的产品距离输入左边逻辑回归中得到购买概率。

9、Collaborative Metric Learning Recommendation System:  Application to Theatrical Movie Releases------CML推荐系统(电影院放映的应用)

 e(movie)是电影的词向量,f是映射函数,z是电影在特定空间的投影。通过深度学习来学习。具体去了解Deep Distance Metrix Learning。

9、Collaborative Metric Learning Recommendation System:  Application to Theatrical Movie Releases------CML推荐系统(电影院放映的应用)

以下公式是计算出产品距离的之后采用逻辑回归计算购买概率的公式:【上图左半部分】

逻辑回归计算购买概率是基于电影和用户之间在目标空间的距离以及旧电影频率F和新电影R的客户数据基础上。

9、Collaborative Metric Learning Recommendation System:  Application to Theatrical Movie Releases------CML推荐系统(电影院放映的应用)

 

 以下是电影和用户之间的距离计算,采用欧式距离。

9、Collaborative Metric Learning Recommendation System:  Application to Theatrical Movie Releases------CML推荐系统(电影院放映的应用)

 客户的特征空间投影向量计算如下:是根据客户历史中所有电影的电影向量的平均值来计算的,并被一些折扣时间因子加权。

 9、Collaborative Metric Learning Recommendation System:  Application to Theatrical Movie Releases------CML推荐系统(电影院放映的应用)

 

9、Collaborative Metric Learning Recommendation System: Application to Theatrical Movie Releases------CML推荐系统(电影院放映的应用)

上一篇:Gradle自动实现Android组件化模块构建


下一篇:在node环境使用axios发送文件