recommenderAndAds.md

推荐系统/计算广告专题

推荐系统

• 协同过滤仅需要一个 user-item 矩阵（矩阵元素为打分值），并不需要user和item的属性。可以视作矩阵补全问题。

• 基于内容

  • 缺点： 推荐物较为静态

• 基于社交(社会化推荐)

• 基于当前情景

• 冷启动问题

• 推荐差异化、个性化　

• 推荐动态化 所谓动态化是指，所推荐的东西的疆域不能是封闭的，要对用户进行适当引领，摆脱‘过滤气泡’造成的智识孤立

参考资料

1. Amazon.com Recommendations: Item-to-Item Collaborative Filtering

---

知识图谱(knowledge graph)

本文严重参考了：知识图谱技术原理介绍 by 王昊奋

知识图谱：机器大脑中的知识库

知识图谱旨在描述真实世界中存在的各种实体或概念。其中，每个实体或概念用一个全局唯一确定的ID(标识符, identifier)来标识。每个属性-值对（attribute-value pair，又称AVP）用来刻画实体的内在特性，而关系（relation）用来连接两个实体，刻画它们之间的关联。

存储方式

1. RDF(Resource Description Framework, 资源描述框架)
2. 图数据库(graph database) 例如 neo4j, 这种存储方式现在比较流行，添加新的数据源较为方便

知识表示

• 知识表示代表模型：TransE

  对事实（head, relation, tail），将relation看做head到tail的翻译

  存在的问题：无法解决一对多，多对一和多对多的情形

• 关系路径的表示和建模

• 知识图谱的嵌入（knowledge graph embedding）

  即将实体和关系投影到连续的向量空间中去

• TransG: A Generative Mixture Model for Knowledge Graph Embedding

知识图谱构建

• 数据来源：百科、freebase　知识、垂直站点的结构化数据、半结构化／非结构化数据挖掘（包括搜索日志）

• 构建过程

  从异构数据源抽取构建知识图谱所需的各种候选实体（概念）及其属性关联，形成了一个个孤立的抽取图谱（ExtractionGraphs）。为了形成一个真正的知识图谱，还需要将这些信息孤岛集成在一起

　　前面说过，实体要有全局唯一标识，这需要实体对齐。 不一致性的处理

• 维护更新

Holographic Embeddings of Knowledge Graphs by Maximilian Nickel, et al., 2015

题目非常炫酷：知识图谱的全息嵌入。ｙ

知识图谱挖掘

构建好知识图谱之后，就能进行基于知识图谱的挖掘了。

• 关系抽取

• 知识推理 　　　针对属性的，比如，通过出生年月得到年龄

　　　针对关系的，比如，爸爸的爸爸是爷爷

• 相关实体挖掘

• 实体排序

知识图谱实践

知识图谱在智能搜索、反欺诈、异常检测等领域的应用

Linked Data - Connect Distributed Data across the Web

该项目旨在构建一张计算机能理解的语义数据网络

Google Knowledge Graph

百度知心

搜狗知立方

wikidata

产品化细节

上翻后引导

直接答案满足

---

计算广告

广告的计价方式

1. 按照展示计费 CPM（cost per mail/ cost per thousand impressions） 千人成本,这种计量方式比较粗犷

CPTM (cost per targeted thousand impressions) 有效千人成本 排除无效的人群

2.按照点击计费 cpc(cost per click)

模型的评估 lift5

DSP

追踪用户行为 受众选择: low-level model 做初筛，high-level model 做细选

• Ad Click Prediction: a View from the Trenches by H. Brendan McMahan, et al., google, 2013

  来自谷歌广告一线战壕的干货。FTRL-Proximal 在线学习算法

实时竞价方面的研究文章汇总