推荐系统
语亦情非
进步是留给时间最好的礼物
展开
-
推荐系统实战(8)——混合推荐算法
各种推荐方法都有优缺点,为了扬长补短,在实际中常常采用混合推荐。研究和应用最多的是内容推荐和协同过滤推荐的组合。最简单的做法就是分别用基于内容的方法和协同过滤推荐方法去产生一个推荐预测结果,然后用某方法组合其结果。组合推荐一个最重要原则就是通过组合后要能避免或弥补各自推荐技术的弱点。1 加权式加权多种推荐技术结果:2 切换式根据问题背景和实际情况或要求决定变换采用不同的...原创 2020-03-29 11:38:11 · 4877 阅读 · 0 评论 -
推荐系统实战(7)——基于知识的推荐算法
1 概述基于知识(Knowledge-based, KB)的推荐算法,是区别于基于CB和基于CF的常见推荐方法。如果说CB和CF像通用搜索引擎的话,KB好比某个领域的垂直搜索引擎,可以提供该领域的特殊需求,包括专业性的优质特征,帮助提高搜索引擎在特定领域的服务。基于知识的推荐,也更容易满足主观个性化需求。例如,对于VIP用户,如果配置好了偏好,就可以为其提供更加精准的推荐服务。2 约束知...原创 2020-03-29 11:29:20 · 4843 阅读 · 1 评论 -
推荐系统实战(6)——评估
1、打分系统-评分误差率2、Top-N推荐系统2.1 准确率2.2 召回率2.3、覆盖率2.4、多样性2.5、其他(新颖度、惊喜度、信任度、实时性)...原创 2020-03-29 11:27:43 · 537 阅读 · 1 评论 -
推荐系统总结
推荐系统实战(1)——基于用户的协同过滤算法(代码实现)推荐系统实战(2)——基于物品的协同过滤算法(代码实现),U-CF和I-CF的比较推荐系统实战(3):冷启动推荐系统实战(4)——基于模型的协同过滤算法(隐语义模型LFM)(代码实现)推荐系统实战(5)——基于内容的推荐算法(CB)...原创 2020-03-29 11:23:52 · 219 阅读 · 0 评论 -
推荐系统实战(5)——基于内容的推荐算法(CB)
1 基础CB推荐算法基础CB推荐算法利用物品的基本信息和用户偏好内容的相似性进行物品推荐。通过分析用户已经浏览过的物品内容,生成用户的偏好内容,然后推荐与用户感兴趣的物品内容相似度高的其他物品。比如,用户近期浏览过冯小刚导演的电影“非诚勿扰”,主演是葛优;那么如果用户没有看过“私人订制”,则可以推荐给用户。因为这两部电影的导演都是冯小刚,主演都有葛优。算法流程算法输入:物品信息,用...原创 2020-03-29 11:05:04 · 2957 阅读 · 1 评论 -
推荐系统实战(4)——基于模型的协同过滤算法(隐语义模型LFM)(代码实现)
1 基本原理LFM(Latent Factor Model)隐语义模型是最近几年推荐系统领域最为热门的研究话题,它的核心思想是通过隐含特征(Latent Factor)联系用户兴趣和物品。那这种模型跟ItemCF或UserCF有什么不同呢?这里可以做一个对比:对于UserCF,我们可以先计算和目标用户兴趣相似的用户,之后再根据计算出来的用户喜欢的物品给目标用户推荐物品。 而ItemCF,...原创 2020-03-28 14:13:13 · 4663 阅读 · 0 评论 -
推荐系统实战(3):冷启动
推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣,因此大量的用户行为数据就成为推荐系统的重要组成部分和先决条件。对于很多做纯粹推荐系统的网站(比如Jinni和Pandora),或者很多在开始阶段就希望有个性化推荐应用的网站来说,如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统,就是冷启动的问题。3.3.1 冷启动问题简介冷启动问题(c...原创 2020-03-28 01:35:23 · 328 阅读 · 0 评论 -
推荐系统实战(2)——基于物品的协同过滤算法(代码实现),U-CF和I-CF的比较
基于物品的协同过滤(item-based collaborative filtering)算法是目前业界应用最多的算法。无论是亚马逊网,还是Netflix、Hulu、YouTube,其推荐算法的基础都是该算法。基于用户的协同过滤算法在一些网站(如Digg)中得到了应用,但该算法有一些缺点。首先,随着网站的用户数目越来越大,计算用户兴趣相似度矩阵将越来越困难,其运算时间复杂度和空间复杂...原创 2020-03-28 01:34:11 · 2722 阅读 · 0 评论 -
推荐系统实战(1)——基于用户的协同过滤算法(代码实现)
基于用户的协同过滤算法主要包含以下两个步骤:A. 搜集用户和物品的历史信息,计算用户u和其他用户的相似度,找到和目标用户Ui兴趣相似的用户集合N(u)B.找到这个集合中用户喜欢的,且目标用户还没有听说过的物品推荐给目标用户。适用性由于需计算用户相似度矩阵,基于用户的协同过滤算法适用于用户较少的场合; 由于时效性较强,该方法适用于用户个性化兴趣不太明显的领域。file = ...原创 2020-03-27 10:19:33 · 2813 阅读 · 0 评论