推荐算法
LandscapeMi
这个作者很懒,什么都没留下…
展开
-
推荐算法:基本技术
数据预处理相似度距离相似度d(x,y)=∑nk=1(xk−yk)2−−−−−−−−−−−−−√d(x,y)=\sqrt{\sum_{k=1}^n(x_k-y_k)^2}余弦相似度原创 2016-05-23 15:21:46 · 407 阅读 · 0 评论 -
推荐算法:基于svd的算法:比较
svd和cfsvd插值是从过去所有的评分中得到的,全局求解;关联物品 i 和 j 的权重被分解为两个向量的内积CF局部的观点原创 2016-07-23 17:40:07 · 433 阅读 · 0 评论 -
推荐算法:基于约束的推荐
基于知识的推荐1. 分类基于样例的推荐基于约束的推荐相似点收集用户需求找不到推荐方案下,自动修复与需求的不一致性给出合理的推荐解释区别推荐方案如何产生 样例:相似度计算约束:使用预先定义好的知识库(用户需求描述和产品信息的关联程度)2. 约束推荐基本约束推荐两个变量:Vc;VPRODV_c ; V_{PROD}三个约束:CR;CF;CPRODC_R ; C_F; C_{P原创 2016-07-23 21:22:24 · 1936 阅读 · 0 评论 -
推荐算法:基于情景的推荐
预过滤后过滤建模 => 将用户和物品放入,特定的情景中,考虑; 消费者的决策,和他当时的心情是相关的;1. 建模将情景作为附加数据集合从二维推荐到三维R:User∗Item∗Context−−>RatingR: User*Item*Context --> Rating情景的定义推进系统手册-P157*特征的选择 @@@Toward optimal featrue selecti原创 2016-07-24 12:10:20 · 2895 阅读 · 0 评论 -
推荐算法:基于图的算法:pagerank
基本模型*随机游走模型针对浏览网页的用户行为建立的抽象模型直接跳转:打开浏览器,输入网址,然后根据链接跳转转移概率矩阵 则可以组织这样一个N维矩阵:其中i行j列的值表示用户从页面j转到页面i的概率 M=⎡⎣⎢⎢⎢⎢01/31/31/31/201/2000011/21/200[AA,BA,CA,DA][AB,BB,CB,DB][AC,BC,CC,DC][AD,BD,CD,DD]⎤⎦⎥⎥⎥⎥M=原创 2016-06-15 23:27:04 · 4477 阅读 · 0 评论 -
推荐算法:模型的组合
1. 分类并行式加权式:推荐系统对多种推荐算法的结果进行加权平均,产生单一的推荐结果切换式:推荐系统在不同的推荐算法中进行切换,已适应当前的推荐场景混杂式:推荐系统同时呈现多种推荐算法的结构原创 2016-07-24 17:45:30 · 1488 阅读 · 0 评论 -
推荐算法:推荐系统的评估
用户调查在线评估:A/B test离线评估1.在线评估将真实线上用户分组,对不同的组采用不同的方案同时运行,两个或者两个以上的方案两个方案,只有一个变量不同有明确的评价指标试验中用户,从始而终,只接触一个方案ABtest最常用的场景是 网页优化,测评指标:单击率,转化率等;Myspace:ABtest,使用指标单击率YouTube:ABtest;指标:单击率,长单击率,会话时间,原创 2016-07-25 13:18:23 · 14086 阅读 · 2 评论 -
推荐算法:基于图的算法
@@@a random-walk based scoring algorithm for recommender engines @@@ applying associative retrieval techniques to alleviate the sparsity problem in collaborative filtering两种推荐方式:图中的用户u对物品i的相近距离直接用于推荐原创 2016-06-05 13:15:40 · 1365 阅读 · 0 评论 -
推荐算法:基于图的算法:基于路相似度
图中两个节点的距离,通过计算,用于连接两个节点的路径的数目和这些路径的长度所构成的函数来获得。原创 2016-06-18 21:10:04 · 628 阅读 · 0 评论 -
推荐算法:基于图的算法:随机游走
ItemRank@@@Random-walk computation of similarities between nodes of a graph,with application tp collaborative recommendations拉普拉斯矩阵 http://doc.okbase.net/v_JULY_v/archive/110173.html L=D−AL =原创 2016-07-07 18:47:32 · 14296 阅读 · 0 评论 -
推荐算法:社交化网络:基础
1. 摘要冷启动:(图算法)提高精度:(libfm模型)模型融合:(使用排序学习来融合社交网络信息和CF的推荐信息)2. 推荐的场景推荐的要素用户:对物品的兴趣和兴趣的描述=历史行为+人口统计学+社交网络信息等=构建用户生命周期模型和兴趣偏好模型物品直接的关系:物品内容模型匹配:推荐列表–> 过滤,排序,解释社会化过滤基于矩阵分解的社会化推荐模型基于领域的社会化推荐L2R(融原创 2016-08-01 11:51:43 · 1072 阅读 · 0 评论 -
推荐算法:社交化网络:社交网络
定义如何融合社交网络信息到矩阵分解中,用于提升推荐的准确度已知M个用户N个物品用户的显式或者隐式反馈位评分矩阵 R∈RM∗NR\in R^{M*N}Ru,iR_{u,i}式用户 u对物品i的反馈u 对物品 i的反馈用户的历史行为数据是 D=(u,i,r)D=(u ,i ,r)用户的社会关系网络 (u,v,s,w,t)(u,v,s,w,t)用户 u 和用户 v 具有社会关系 s(关原创 2016-08-01 12:58:38 · 4967 阅读 · 0 评论 -
推荐算法:基于svd的算法:基于领域
基本的方法:CF @@@ An Algorithmmic framework for performing collaborative filtering1. cf 方法的优点相对简单可解释性好提高了用户体验实时性好2. 增强的CF方法(全局化的领域矩阵)CF方法本质是:局部算法矩阵分解:全局的算法* 模型步骤1. 基本公式r^ui=bui+∑j∈R(u)(rui−bui)wij原创 2016-07-22 21:21:54 · 1012 阅读 · 0 评论 -
推荐算法:基于svd的算法:svd
2006年netflix比赛1. 基础知识符号定义用户:{u, v}物品:{i, j, l}评分:ruir_{ui} => 取值范围1到5预测评分:r^ui\hat{r}_{ui}评分发生的时间:tuit_{ui} =>表示ruir_{ui}发生的时间数据集合的稀疏程度:99%评分存放集合:K={(u,v):rui已知}K=\{(u,v):r_{ui}已知\}用户u评分的物品集合:原创 2016-07-10 07:09:47 · 4118 阅读 · 0 评论 -
推荐算法:基于内容的推荐_2: 物品的表示
挖局用户曾经喜欢的物品,推荐类似的产品利用已知的用户自己的偏好,兴趣等属性和物品内容属性做匹配将用户的个人信息的特征和内容对象的特征匹配,结果就是用户对某个对象感兴趣的程度基于内容推荐的层次结构* 内容分析器文档的数据处理得到结构化的数据,存储在物品库中* 信息学习器收集有关用户偏好的数据特征,泛华这些数据,构建用户特征信息(机器学习)通过历史数据构建用户兴趣模型生成兴趣特征和无兴原创 2016-05-29 12:34:37 · 1520 阅读 · 0 评论 -
推荐算法:基于内容的推荐_3: 用户特征
概率方法和贝叶斯贝叶斯分类器@@@some effective techniques for naive bayes text classification @@@Integrating tags in a semantic content-based recommender相关反馈和Rocchio算法允许用户给推荐系统根据用户的信息需求推荐的文本打分 http://blog.sina.c原创 2016-05-29 22:21:10 · 516 阅读 · 0 评论 -
推荐算法:基于内容的推荐_4: 趋势
社会化标签略(后面分析)惊喜度基于内容推荐惊喜度低:推荐和用户评价过的类似的产品原创 2016-05-29 22:24:43 · 391 阅读 · 0 评论 -
推荐算法:协调过滤初级_1:简介
推荐系统:定义为评估用户对新物品的反馈三种反馈: 分级反馈二元反馈一元反馈问题定义用户:uu;物品集合:TT;系统评分集合:RR;可选分数集合:SS用户uu对于物品ii的评分:ruir_{ui}已经对物品ii评分的uu的集合:uiu_i用户uu 所评价的物品集合: TuT_u同时被用户uu和vv评价过的集合 :TuvT_{uv}对物品ii和jj都评分的用户集合:u原创 2016-05-30 11:35:02 · 574 阅读 · 0 评论 -
推荐算法:综述
长尾理论马太效应问题打分预测Top-N推荐算法发展* GroupLens研究小组对MovieLen电源推荐系统用户对喜欢的电影打分分析用户对电影的兴趣推荐给他们喜欢却未打分的电源* Amazon将推荐应用到电子商务通过分析用户的购买浏览,预测用户可能对什么感兴趣销售额提高了30%* Acm Conference on Recommender System* Netflix大赛原创 2016-05-20 14:15:04 · 618 阅读 · 0 评论 -
推荐算法:协调过滤初级_3:基于降维的方法
解决:受限覆盖和数据稀疏 将物品将维到隐变量空间来突出特性 @@@modeling relationship at multiple scales to improve accuracy of large recommender system @@@learning collaborative information filters @@@ Application of dimensiona原创 2016-06-05 12:33:57 · 343 阅读 · 0 评论 -
推荐算法:协调过滤初级_2:基于领域的方法
协同过滤 基于领域的方法 @@@Empirical analysis of predictive algorithms for collabotive filtering (a) user-based @@@ GroupLens:applying collative filtering to Usenet news @@@Recommending and Evaluting chices原创 2016-05-30 13:37:43 · 1168 阅读 · 0 评论 -
推荐算法:基于图的算法:基于路相似度_续
最短路径的方法@@@Horting Hatchers an Egg:A new graph-theoretic approach o coll计算用户u到其他用户v的最短路。 最短路径的计算:用户A,horts,用户B(A,B对相同的物品评过分) 满足一个可预测性的关系,就是吧将用户u和用户v的评分尺度,做映射 最后,计算u到其他队物品j评分过的用户的路径上。计算路径 同时将路径转换为刻度表原创 2016-06-25 17:01:01 · 1577 阅读 · 0 评论 -
推荐算法:基于内容的推荐_0:信息检索
信息检索:给定用户关键字,如何从相关性的角度对网页排序 * 布尔模型 * 向量空间模型 * 概率模型 * 语言模型 * 机器学习排序原创 2016-05-25 22:31:19 · 735 阅读 · 0 评论 -
推荐算法:基于内容的推荐_1:内容推荐算法
基于内容的推荐:推荐给用户他们过去喜欢的类似产品;基于CF的推荐,识别出具有相同爱好的用户,给他们推产品基于内容的推荐算法基于内容推荐的步骤对数据内容分析,得到物品的结构化描述分析用户过去的评分或评论过的物品的,作为用户的训练样本生成用户画像 a.可以是统计的结果(后面使用相似度计算) b.也可以是一个预测模型(后面使用分类预测计算)新的物品到来,分析新物品的物品画像利用用户画像构原创 2016-06-14 13:59:30 · 9578 阅读 · 0 评论 -
推荐算法:高级算法
主要算法Deep learningFactorization machinesTensor machinessocial recommendationlearn to rank http://www.infoq.com/cn/articles/recommendation-algorithm-overview-part01原创 2016-08-19 09:36:00 · 475 阅读 · 0 评论