推荐系统学习笔记-基于领域的推荐算法

已于 2022-12-17 02:29:56 修改
阅读量331 收藏
点赞数
分类专栏： 推荐系统学习笔记 kaggle 机器学习笔记 文章标签： 学习 推荐算法 算法 人工智能
于 2022-12-16 22:23:12 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CSDNXXCQ/article/details/128348603
版权

原理

找到和目标用户兴趣相似的用户集合。
找到这个集合中的用户喜欢的，且目标用户没有听过的物品推荐给目标用户。
通俗点讲，就是物以类聚，人以群分

UserCF算法

在这里插入图片描述

在这里插入图片描述
算法步骤：

1找到和目标用户兴趣相似的用户集合；
2将集合中用户喜欢的未出现在目标用户的兴趣列表中的item以一定的权值排序后推荐给用户
用户相似度计算：

在这里插入图片描述
在这里插入图片描述
改进：

1由于很多用户两两之间并没有对同样的物品产生过行为，用用户-物品表计算用户相似度很多时候计算都是浪费的，可以利用物品-用户倒排表简化计算。
2加入热门商品惩罚，用户对冷门物品采取相同行为更能说明两者的相似性

在这里插入图片描述

在这里插入图片描述
👇对应这段
在这里插入图片描述

在这里插入图片描述

👇对应这段

在这里插入图片描述

ItermCF算法

算法步骤：

1计算物品之间的相似性
2根据物品的相似度和用户的历史行为给用户生成推荐列表

即
对每个用户建立一个包含他喜欢的物品的列表。
将他物品列表中的物品两两在共现矩阵C中加1

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
👇对应这段

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
👇对应这段

在这里插入图片描述

对比

在这里插入图片描述

丰。。
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
推荐系统算法之基于邻域的算法
花间词的技术博客
05-20 3255
基于领域的算法是推荐系统领域最基本的
推荐系统实践-基于邻域算法-阅读笔记3
cuixuange的博客
02-25 471
#2.基于邻域的推荐算法 #2.1 User-CF算法 1.计算用户之间的相似度,得到目标用户的兴趣相似的集合 2.从这个集合中选取目标用户没有使用的物品作为推荐 流程 计算用户的相似度 余弦相似度 1.建立物品-用户的倒排索引表,通过将此表每个物品的对应用户"两两标记" 2.关于所有用户的相似度矩阵C 定义: 定义: 目标用户u对于新物品i的感兴趣程度: 和自己最类似的K个用户对于物品i的评分之...
推荐系统（二） —— 利用用户行为数据 —— 基于领域的算法
weixin_34132768的博客
07-06 305
为了让推荐结果符合用户口味，我们需要深入了解用户。用户的行为不是随机的，而是蕴含着许多模式的。基于用户行为分析的推荐算法是个性化推荐系统的重要算法，仅仅基于用户行为数据设计的推荐算法学术上称作“协同过滤算法”。协同过滤，就是指用户可以齐心协力，通过不断地和网站互动，是自己的推荐列表能够不断过滤掉自己不感兴趣的物品，从而越来越满足自己的需求。 系统过滤算法，包含基于领域的算法、隐语义模型、基于图的算...
推荐算法题
qq_39523465的博客
08-01 235
推荐算法 常见的包含基于内容 用户 内存 高级一点又包含深度学习 ，很多硕士论文 国内外围绕着写 也是要做一个汇总 论文也是使用推荐算法推荐过来的 但是 论文只是推荐 并没有给我做一个分类 ...
推荐系统协同过滤算法——基于邻域的模型
PassionZheng的博客
05-09 1180
文章目录3.4 基于邻域的模型 3.4 基于邻域的模型
学习笔记：基于模型的协同过滤推荐算法简述
wssjdren的博客
08-18 3099
基于模型的协同过滤推荐算法，与基于近邻的推荐算法是相对的。它基于样本用户的喜好信息，依托于一些机器学习的模型，通过离线进行训练，得到一个推荐模型，然后根据实时的用户喜好的信息进行预测，在线进行推荐。...
推荐算法-基于协同推荐(CF)
Code_zhu的博客
07-07 3285
推荐算法CF写在前面概念分类基于用户(User-based)的推荐基于物品(Item-based)的推荐归一化总结冷启动 写在前面 最近几天将之前学习的CF基于协同过滤推荐算法笔记整理了一下，。CB算法在上一篇文章中有做整理。 时光机：基于内容推荐算法-CB 有需要的同学可以点赞收藏一下 概念 基于协同是在基于内容的基础之上发展而来的，协同过滤是一种在推荐系统中广泛采用的推荐方法。这种算法基于一个“物以类聚，人以群分”的假设，喜欢相同物品的用户更有可能具有相同的兴趣。基于协同过滤的推荐系统一般应用于有用户
综述：基于图学习的推荐系统；论文笔记
雪的期许
07-13 2851
文章目录摘要1. 介绍1.1 图如何表达推荐任务？1.2 图学习对推荐系统有效吗？1.3 基于图学习的推荐系统符号化（Formalization）2. 数据特征和挑战2.1 一般交互数据2.2 时序交互信息2.3 侧面信息3. 推荐系统中的图学习方法3.1 随机游走方法3.2 图上embedding方法Graph Factorization based RS (GFRS)Graph Distributed Representation based RS (GDRRS)Graph Neural Embeddi
阿里的《基于pai的推荐系统》--摘抄笔记
因上努力，果上随缘的博客
09-23 1218
目录推荐系统简介一、什么是推荐系统（一）常见的推荐业务场景（二）个性化推荐业务流程企业级推荐系统架构（一）企业级推荐系统要求（二）推荐整体架构（三）基于PAI的推荐技术架构推荐系统召回算法一、召回模块在推荐系统中的位置二、推荐场景--召回算法介绍三、什么是协同过滤四、向量召回架构说明推荐系统排序算法一、排序模块在推荐系统中的位置二、排序算法介绍三、离线排序模型训练架构四、在线排序模型训练架构推荐系统线上服务编排一、在线推理服务 - 架构说明二、线上多目标问题基于 PAI 10 分钟搭建一个简单推荐系统一、个
推荐系统笔记（四）：NGCF推荐算法理解
qq_46006468的博客
07-29 4138
首先就是将i4、i5、i2三个物品的信息聚合到u2中，（其实在这个聚合过程进行的同时其他结点也都进行了相应的聚合邻接结点信息，例如在此时u1也聚合了i1、i2、i3的信息），然后用u1和u2继续传播聚合给i2（此时i2结点在此时已经包含图三所有结点的信息），然后再将i1、i2、i3信息给u1。从早期的矩阵分解到最近出现的基于深度学习的方法，现有的工作通常通过从描述用户（或项目）的预先存在的特征（例如ID和属性）映射来获得用户（或项目）的嵌入。，即所谓的自信息（这在lightGCN中被证明是不必要的冗余）。.
算法学习笔记-快速幂.docx
最新发布
03-17
快速幂算法通过递归或非递归的方式实现了高效的幂次运算，适用于多种应用场景，包括但不限于大数运算、密码学等领域。掌握快速幂算法不仅可以提高程序性能，还能帮助理解更复杂的算法结构和逻辑。在实际编程中，根据...
推荐算法视频课程-从入门到精通
02-13
1. **推荐系统概述**：首先，课程会介绍推荐系统的定义、类型（如基于内容的推荐、协同过滤推荐）以及在电商、社交媒体、影视娱乐等领域的应用。 2. **基础统计与概率**：为了理解推荐算法，需要一定的数学基础，如...
吴恩达机器学习笔记-人工智能机器学习算法入门笔记
01-26
机器学习广泛应用于搜索引擎排名、图像识别、自然语言处理、邮件过滤、社交网络分析等领域。在实际应用中，需要考虑模型选择、交叉验证、偏差/方差分析、特征工程以及学习曲线等重要因素，以确保模型的泛化能力和...
《统计学习方法》笔记-基于Python算法实现.zip
02-21
综上所述，《统计学习方法》笔记结合Python算法实现，不仅涵盖了机器学习的基础理论，还提供了实用的编程示例，对学习者来说是一份宝贵的资源。通过深入研究和实践，可以帮助读者从理论到实践全面掌握统计学习方法。
learning-recommendation-system:推荐系统学习笔记
03-11
本项目“learning-recommendation-system”是一份针对推荐系统学习的实践笔记，旨在帮助学习者掌握推荐系统的概念、算法和技术，并通过实际操作提升技能。 推荐系统的核心在于理解用户的需求和兴趣，通过分析用户的...
梯度向量的超简单理解
CSDNXXCQ的博客
02-16 7836
一阶导→函数在三维空间的变化率→三维向量/梯度向量
支持向量机回归
CSDNXXCQ的博客
03-14 6673
不同的核函数对应不同的映射方式，适用于不同的问题。在SVR中，假设输入数据集为{(xi, yi)|xi∈R^n, yi∈R}，其中xi是n维的特征向量，yi是对应的标签。与SVMC不同，SVMR的目标是最小化模型预测值与真实值之间的差异，即最小化预测值与真实值之间的误差平方和（Sum of Squared Errors, SSE），同时还要最大化间隔，以确保模型的泛化能力。其中，w是权重向量，b是偏置项，C是正则化参数，||w||^2是权重向量的L2范数，f(xi) = w^Txi + b是模型预测值。
对抗生成神经网络-GAN通俗理解
CSDNXXCQ的博客
08-03 5800
对抗生成神经网络-GAN通俗理解概念引入对抗生成神经网络效果的演变由来简介生成模型判别器工作原理损失函数--交叉熵损失函数(BCE)拓展-DCGAN网络架构 概念引入 超分辨率重构 图像超分辨率重构(super resolution,SR)是指利用计算机将一幅低分辨率图像(low resolution,LR)或图像序列进行处理，恢复出高分辨率图像(high resolution，HR)的一种图像处理技术。HR意味着图像具有高像素密度，可以提供更多的细节，这些细节往往在应用中起到关键作用 。 原理：让计算机同
时间序列分析part3严格平稳与弱平稳
CSDNXXCQ的博客
02-18 5782
通俗的理解就是前面的数据与后面的数据是有关联的，它们之间的关系不能有太大的改变 比如这种，突然崩盘，就是突然改变了关系 算法模型的预测原理，数据之间有关联才能预测数据，关系突然改变，自然预测不了 故时间序列分析数据要有平稳性 由此，我们引入一个概念，Strict stationary process(SSS)/严格平稳过程 n个随机变量的联合分布函数和的联合分布函数对所有时延都是相同的，称为严格平稳随机过程，又称为狭义平稳随机过程。 所以，有以下： 注意，t与k均为下标 xt≤x1→x(t+k)≤x1 进
斯坦福2014机器学习课程笔记：基于内容的推荐系统解析
"本资源是一份关于斯坦福大学2014年机器学习课程的个人笔记，由黄海广整理，涵盖了课程的主要内容，包括基于内容的推荐系统、机器学习的基础理论与应用、监督学习和无监督学习的算法，以及在不同领域的实践案例。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

丰。。

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值