廷翰的案例列表
个性化推荐排序模型
根据用户点击日志结合用户基本特征以及商品特征，先进行特征处理，特征工程，特征编码等操作，使用GBDT对特征进行训练后。作为逻辑回归的输入，喂入模型进行fit,通过模型指标loss, auc等判断模型性能。最后通过GirdSearchCV进行调参，选择使模型效果最好的一组参数作为最终参数。
新闻推荐系统
1.基于user,基于item分别求出对应的相似性矩阵； 2.用Grapg Embedding之阿里EGES方法将用户及商品特征信息转为向量； 3.基于相似性矩阵及embedding进行召回，得到每个用户对应的召回商品列表； 4.使用LGB,DIN,Deep&FM模型进行CTR预估； 5.每个模型的预估能力有一定的差异，根据预估性能赋予对应的权重，将多个模型进行加权融合； 6.在每个商品召回列表中根据点击率从大到小进行排序，选出前5个最有可能发生点击的商品；
新闻推荐系统
1.基于user,基于item分别求出对应的相似性矩阵； 2.用Grapg Embedding之阿里EGES方法将用户及商品特征信息转为向量； 3.基于相似性矩阵及embedding进行召回，得到每个用户对应的召回商品列表； 4.使用LGB,DIN,Deep&FM模型进行CTR预估； 5.每个模型的预估能力有一定的差异，根据预估性能赋予对应的权重，将多个模型进行加权融合； 6.在每个商品召回列表中根据点击率从大到小进行排序，选出前5个最有可能发生点击的商品；
案例判断参考
廷翰的案例列表
个性化推荐排序模型
根据用户点击日志结合用户基本特征以及商品特征，先进行特征处理，特征工程，特征编码等操作，使用GBDT对特征进行训练后。作为逻辑回归的输入，喂入模型进行fit,通过模型指标loss, auc等判断模型性能。最后通过GirdSearchCV进行调参，选择使模型效果最好的一组参数作为最终参数。...
新闻推荐系统
1.基于user,基于item分别求出对应的相似性矩阵； 2.用Grapg Embedding之阿里EGES方法将用户及商品特征信息转为向量； 3.基于相似性矩阵及embedding进行召回，得到每个用户对应的召回商品列表； 4.使用LGB,DIN,Deep&FM模型进行CTR预估； 5.每个模型的预估能力有一定的差异，根据预估性能赋予对应的权重，将多个模型进行加权融合； 6.在每个商品召回列表中根据点击率从大到小进行排序，选出前5个最有可能发生点击的商品；...
新闻推荐系统
1.基于user,基于item分别求出对应的相似性矩阵； 2.用Grapg Embedding之阿里EGES方法将用户及商品特征信息转为向量； 3.基于相似性矩阵及embedding进行召回，得到每个用户对应的召回商品列表； 4.使用LGB,DIN,Deep&FM模型进行CTR预估； 5.每个模型的预估能力有一定的差异，根据预估性能赋予对应的权重，将多个模型进行加权融合； 6.在每个商品召回列表中根据点击率从大到小进行排序，选出前5个最有可能发生点击的商品；...
