large scale collaborative filtering using Apache Giraph
This document discusses large scale collaborative filtering using Apache Giraph. It describes neighborhood-based models and matrix factorization for collaborative filtering. It also details how these techniques were implemented and optimized in Giraph to provide recommendations for billions of Facebook users and ratings. Key optimizations included a rotational approach for matrix factorization to
協調フィルタリングによるアイテムの推薦 - Nao Minami's Blog
こんばんは、south37です。前回のブログではユーザー同士の類似度を見積もる方法について考えました。距離空間を使う方法、相関関数を使う方法等が存在し、はてなブックマークを利用するユーザ同士の比較ではjaccard相関関数が悪く無い値を与える事が分かりました。 今回は、類似度を「アイテムの推薦」に活かす方法について考えてみたいと思います。 協調フィルタリング 自分と他のユーザとの類似度を見積もる事が出来れば、アイテムの推薦を行う事が出来ます。具体的には、それぞれのユーザがアイテムに割り振ったスコアに自分とユーザとの類似度をかけ合わせ(類似度で重み付けし)、それを足し合わせる事で類似度を反映したアイテムのスコアを算出します。 類似度をかけ合わせる事で、自分と似たユーザが良いと判断したものが高評価を受ける事になります。実際、自分と似たユーザが良いと思うなら自分も良いと思う可能性は高そうです。そ
Recommending items to more than a billion people
The growth of data on the web has made it harder to employ many machine learning algorithms on the full data sets. For personalization problems in particular, where data sampling is often not an option, innovating on distributed algorithm design is necessary to allow us to scale to these constantly growing data sets. Collaborative filtering (CF) is one of the important areas where this applies. CF
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
