目录
注:北大刘宏志老师的《推荐系统》课程学习,图片来源于课程PPT和参考书籍
1.基于关联规则的推荐算法
算法的基本思想是计算不同项目同时出现的概率的大小,也就是计算支持度和置信度。使用基于模型的原因:基于邻域的协同过滤只利用局部信息,没有利用全局信息,而且内存占用多。
定义和基本概念:
描述在交易中项目之间同时出现的规律的知识模式。通过量化的数字描述项目A的出现对项目B的出现有多大的影响。
置信度和支持度的计算:
关联规则挖掘:
生成频繁项集的Apriori算法:
提升度和相关度筛选规则:
当项目的总体先验概率比通过规则计算出来的置信度要高,则规则无效。所以需要提升度和相关度对规则进行筛选。经过筛选后的规则是强关联的有效规则。
基于关联规则的算法:
2.矩阵分解模型
2.1 SVD分解矩阵分解模型(不含缺失值)
2.2 隐语义模型LFM(可以含缺失值)
使用的目标函数:
解决最小二乘法的过拟合问题:
参数学习方法一 梯度下降法:
参数学习方法二 交替最小二乘法:
2.3 概率矩阵分解PMF(系统存在噪音)
通过观测值推测内部特征矩阵
贝叶斯观点:
算法假设:
使用最大后验概率估计计算参数:
2.4 限制性概率矩阵分解PMF
相比于PMF,限制性就是加上一些用户和项目的隐藏特征,例如点击等
2.5带偏置的矩阵分解BisaSVD
2.6 SVD++
实际中遇到缺少负样本和矩阵稀疏问题
2.7 基于正样本过采样的矩阵分解
2.8 基于负样本欠采样: