图像识别、分布式、推荐系统.pptVIP

Tensorflow与深度学习;课程第七天;CIFAR图片分类;CIFAR图片分类设计;分布式会话API;hooks;常用钩子;分布式Tensorflow;分布式原理;多机多卡分布式的架构;分布式的模式;分布式API;cluster = tf.train.ClusterSpec( {“worker”: [“:2222”, /job:worker/task:0 “:2222”, /job:worker/task:1 “:2222”], /job:worker/task:2 ps: [“:2222”, /job:ps/task:0 “:2222”] /job:ps/task:1 });2、创建服务;3、工作节点指定设备运行;分布式案例;作业：将图片识别的程序改成分布式;推荐系统;生活中无时无刻都在使用着推荐系统;推荐系统的意义;解决信息过载 搜索引擎时代 分类导航 雅虎 搜索 谷歌、百度 个性化时代(提高用户粘度、增加营收) 系统自动推荐相关的东西 今日头条、豆瓣、电商;如何去给你的网站用户推荐？;推荐的依据： 用户的历史行为 用户的兴趣点 社交关系 …;推荐系统的结构;推荐系统的原理;推荐系统的分类;基于协同过滤的推荐(CF?Collaboration Filter) 基于用户的协同过滤(UserCF) 计算用户的相似度，推荐相似用户的喜好 基于物品的协同过滤(ItemCF重点) 计算物品的相似度，推荐相似度高的物品(不同于基于内容的推荐) ;基于用户的协同过滤;基于物品的协同过滤;基于物品的协同过滤分析;用户电影打分表;1.相似度计算公式;对于用户A来说：;对于用户B来说;对于用户C来说;对于用户D来说;合并四个矩阵，得出一个总矩阵：;计算相似度为：;2.计算用户对未看过电影兴趣度;ItemCF与UserCF的综合对比;公司;为什么新闻推荐使用UserCF算法，而购物网站使用ItemCF算法？?UserCF算法的推荐结果着重于反映那些与目标用户兴趣相似的小群体的热点，而ItemCF算法的推荐结果着重于维护目标用户的历史兴趣。换句话说，UserCF的推荐更加社会化，而ItemCF的推荐更加个性化。;越是热门的类，其类内物品的相似度越大。除此之外，不同领域的最热门物品之间的相似度往往也是很高的;改进的协同过滤-隐语义模型;;隐因子矩阵分解;损失函数最小化求解;隐语义模型与ItemCF、UserCF对比;推荐系统开源库;python-recsys安装(python2);推荐系统应用;id，电影名称，电影类型;id，性别，年龄，职业;用户id，电影id，评分，时间戳;python-recsys-----矩阵分解API;SVD分析;similarity(item1,item2)：计算两个物品相似度 similar(item)：获得默认10个相近的物品 recommend(userid,is_row=False)：推荐给某用户 的指定数量的物品或者为某物品没有打过分的用户 打分前10名，is_row为True则id为数据格式中的row的id， predict(itemid,userid)： 返回预测某用户对物品的评分 get_matrix().value(ITEMID, USERID)获取评分矩阵中的值 load_model(filename):加载本地模型,模型加载无需训练 save_model(filename)：保存模型到本地，zip格式;案例分析;python-recsys----- 数据API;data分析;python-recsys----- 评估API;data分析;开启运行输出信息;总结;Thank you!