Overview
A tech for using one’s behavior to predict what other people will do.
history
之前，数据量很少的时候，人们一般search，但是当数据量很多，超市的货架上已经装不下的时候，这时候需要recommendation。
long tail
X轴后面的商品不会出现在零售店中，因此需要去推荐购买。
types of rs
model
模型的关键在于utility matrix。
key problems
推荐系统主要有三个核心问题：
- 搜集数据：可以显式地也可以隐式地搜集
- 根据数据推荐：主要解决sparse的问题
- 评估推荐模型的好坏
Content-based System
基于内容的推荐系统核心是：针对每一个user给很多item打了分。首先，建立item profile，比如电影的话要包含演员、年份、导演等特征。然后，根据用户的打分，将所有打过分的电影特征量聚合成一个新的user profile。最后，将每个电影的item profile和user profile对比，实施推荐方案。
main idea
Main idea: recommend items to customers x similar to previous items rated highly by x.
plan
item profile
item profile是需要人工去指定的。
针对文本特征，可以使用TF-IDF(Term frequency * Inverse Doc Frequency)。
user profile
user profile是根据一定的策略，从item profile中聚合而来。
prediction
pros and cons
Collaborative Filtering
main idea
比如想要给x推荐电影，可以采用两种方法：
- user-user: 根据x对电影的评分，找出和x最像的人群集合S，然后用集合S的数据给x未评分的电影打分。
- item-item: 根据x未评分的电影m，找出x已经评过的并且和m很相似的电影S，利用S来打分。
similar user
rating prediction
item-item filtering
item vs. user
一般来说，item-item表现更好。
扫一扫
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
