一、目录组织图(单击图放大)
二、补充笔记
1、本章说的推荐系统实际上被定义成了一个数学问题,就是已知物品的一些特征,用户的一些特征,用户对物品的评价去预测用户对没有评价物品的评价。实际上,随着深度的学习的发展,可能使用深度学习能够得到更好的评分预测。
2、当然在电影和音乐的推荐中,评分的高低一定程度上可以反映用户的喜好,但是在购物推荐上,却不一定。
3、在基准预测中,预测用户对没评价物品的评分,考虑用户的评分习惯(即喜欢打高分还是低分),也考虑了其他用户对物品的平均分对预测用户的影响。
4、隐式反馈,包括没有评分,但是租借了某些电影的情况,也能在一定程度上反映用户的喜好。
5、隐语义模型,可以通过分解因子去揭示隐藏的特征,实际上也是一种特征抽取的方法。
6、SVD通过将物品和用户表示为向量,而它们之间的关系表示为向量的内积方式进行建模。通过随机梯度或者交替最小二乘法来求解出模型中的未知变量。
7、SVD++模型增加了隐式反馈对模型精度的影响。
8、时间敏感的因子模型,物品的评价也会随着物品的流行度或者时间发生改变,用户的评分标准也会随着时间改变。采用平滑函数,可以很好的模拟逐渐观念转变的时间效应,而瞬间变化的情形也要考虑其中。使用了时变的函数去替代了SVD中的统计量。当然,用户的兴趣会随着时间改变,这也要考虑其中。
9、基于近邻的模型中,找到最近邻的用户或者物品,最重要的是计算权值的确定,传统的是按照相似度进行计算,后来出现了通过实验数据进行确定。
10、全局化的邻域模型的权重的计算考虑的是物品与物品之间关联可能影响权重。
11、因式分解的邻域模型考虑将权重直接进行因式分解成几个向量,然后进行求解。