文章目录
- 搜广推算法基本概念
-
- 常见算法及介绍
-
-
- 搜索算法
-
- PageRank
- TF-IDF
-
- 广告算法
-
- CTR预估（点击率预估）
- GSP（广义第二价格拍卖）
-
- 推荐算法
-
- 协同过滤
- 矩阵分解
-
- 总结
搜广推算法基本概念
搜广推算法是指在搜索、广告和推荐系统中应用的算法，旨在提升用户体验和系统效率。以下是相关概念：
- 搜索算法：用于从海量数据中快速找到用户所需信息。
- 广告算法：通过分析用户行为，精准投放广告，提升点击率和转化率。
- 推荐算法：根据用户兴趣和行为，推荐个性化内容，增强用户粘性。
常见算法及介绍
1. 搜索算法
PageRank
- 介绍：Google的核心算法，通过网页链接关系评估页面重要性。
- 实现 ：基于图的迭代计算，公式为：
P R ( A ) = ( 1 − d ) + d ∑ i = 1 n P R ( T i ) C ( T i ) PR(A) = (1-d) + d \sum_{i=1}^{n} \frac{PR(T_i)}{C(T_i)} PR(A)=(1−d)+di=1∑nC(Ti)PR(Ti)
其中， P R ( A ) PR(A) PR(A) 是页面A的PageRank值， T i T_i Ti 是链接到A的页面， C ( T i ) C(T_i) C(Ti) 是 T i T_i Ti 的出链数， d d d 是阻尼系数。
TF-IDF
- 介绍：用于评估词在文档中的重要性，TF表示词频，IDF表示逆文档频率。
- 实现 ：公式为：
TF-IDF ( t , d ) = TF ( t , d ) × IDF ( t ) \text{TF-IDF}(t, d) = \text{TF}(t, d) \times \text{IDF}(t) TF-IDF(t,d)=TF(t,d)×IDF(t)
其中， TF ( t , d ) \text{TF}(t, d) TF(t,d) 是词t在文档d中的频率， IDF ( t ) \text{IDF}(t) IDF(t) 是词t的逆文档频率。
2. 广告算法
CTR预估（点击率预估）
- 介绍：预测用户点击广告的概率，常用逻辑回归、GBDT等模型。
- 实现 ：逻辑回归公式为：
P ( y = 1 ∣ x ) = 1 1 + e − ( w T x + b ) P(y=1|x) = \frac{1}{1 + e^{-(w^T x + b)}} P(y=1∣x)=1+e−(wTx+b)1
其中， x x x 是特征向量， w w w 是权重， b b b 是偏置。
GSP（广义第二价格拍卖）
- 介绍：广告拍卖机制，广告主按点击出价，实际支付为下一位广告主的出价。
- 实现：按出价排序，广告位依次分配，实际支付为下一位的出价。
3. 推荐算法
协同过滤
- 介绍：基于用户行为推荐，分为基于用户和基于物品的协同过滤。
- 实现 ：基于用户的协同过滤公式为：
KaTeX parse error: Expected '}', got 'EOF' at end of input: ... \bar{r}v)^2}
其中， u u u 和 v v v 是用户， I u v I{uv} Iuv 是他们共同评分的物品集合， r u i r_{ui} rui 是用户u对物品i的评分， r ˉ u \bar{r}_u rˉu 是用户u的平均评分。
矩阵分解
- 介绍：将用户-物品评分矩阵分解为用户矩阵和物品矩阵，预测未评分项。
- 实现 ：目标函数为：
min U , V ∑ ( i , j ) ∈ Ω ( r i j − u i T v j ) 2 + λ ( ∥ U ∥ F 2 + ∥ V ∥ F 2 ) \min_{U, V} \sum_{(i,j) \in \Omega} (r_{ij} - u_i^T v_j)^2 + \lambda (\|U\|_F^2 + \|V\|_F^2) U,Vmin(i,j)∈Ω∑(rij−uiTvj)2+λ(∥U∥F2+∥V∥F2)
其中， U U U 和 V V V 是用户和物品矩阵， Ω \Omega Ω 是已知评分集合， λ \lambda λ 是正则化参数。
总结
搜广推算法涵盖搜索、广告和推荐系统，常见算法包括PageRank、TF-IDF、CTR预估、GSP、协同过滤和矩阵分解等。每种算法有特定的实现方式，广泛应用于实际场景。