推荐算法准确度度量公式:
![](https://i-blog.csdnimg.cn/blog_migrate/a3b5bf36204ce7c4dd7a62a439f2cd5a.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/a5342a2602d176a2546da23d1899e34c.gif)
集合相似度度量公式(N维向量的距离度量公式):
Jaccard公式:![](https://i-blog.csdnimg.cn/blog_migrate/3b07d8f0cc99eec751439b19e047b2ae.gif)
![](https://i-blog.csdnimg.cn/blog_migrate/d41aa891223260f9020d70e596b4b6de.gif)
UserCF公式:
![](https://i-blog.csdnimg.cn/blog_migrate/59d6f145877edc1804f3c81795bc4fdd.gif)
ItemCF公式:
![](https://i-blog.csdnimg.cn/blog_migrate/64f3cb8b38c2c94dd49544120442ad96.gif)
LFM公式:
![](https://i-blog.csdnimg.cn/blog_migrate/cc230c0c244d9361245af76b4e277f2a.gif)
TagCF公式:
![](https://i-blog.csdnimg.cn/blog_migrate/c2763864be06ab23ed5c8477f11f8c03.gif)
关系链推荐公式:
![](https://i-blog.csdnimg.cn/blog_migrate/414161c7c66902efa37ab4d0db6db555.gif)
信息流推荐公式:
![](https://i-blog.csdnimg.cn/blog_migrate/7242687050ed045dd172672ee495d4b2.gif)
推荐算法小结
所有的推荐算法都可看成是基于特征向量空间和特征加权矩阵的推荐算法。 当特征向量的维度很大时,基于特征向量空间和特征加权矩阵的推荐算法计算复杂度将很大。常见的做法是采用降维技术,比如使用minhash(simhash)。另一种做法是先聚类,将N维的特征空间,转变成M维的特征空间(M<N)。比如在ItemCF算法中,可对物品聚类,然后采用M类的物品作为特征。当然降维后需要计算权值矩阵。 另一种极致做法:抛弃权值矩阵,在分类的基础上,直接根据类别推荐。即基于特征向量的匹配。 基于特征匹配的算法框架(用户或物品均可): 1) 特征选取 a) 已知用户特征:直接根据特征分类 b) 未知用户特征:聚类,如LFM 2) 利用购买用户特征,计算物品的特征。比如简单选取TopN个用户特征作为物品的特征; 3) 根据用户特征和物品特征实现推荐,如果特征空间有限(类别不多),可采用类别推荐;如果特征空间巨大,可通过计算特征距离实现推荐。![](https://i-blog.csdnimg.cn/blog_migrate/3e8dc493c7d1dda7760beddc67a616a0.jpeg)
3种关联用户和物品的推荐系统
![](https://i-blog.csdnimg.cn/blog_migrate/f51b3621c882ab2dbbc7172df5030e8a.jpeg)
基于特征的推荐算法
说明:当用户喜欢多个特征,物品具有多个特征时,即是典型的特征向量空间和特征加权矩阵的推荐算法;当用户只喜欢1个特征,物品只具有单个特征时,即基于特征分类的推荐算法。 在实际应用中,常常采用多个推荐算法,分别实现不同的推荐引擎,最后根据不同的推荐引擎的结果做融合,即算法融合,常见的就是加权融合。推荐系统架构
![](https://i-blog.csdnimg.cn/blog_migrate/b54315541a21c7a6791a0abc0778a6ad.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/14271a2a0813511f712b778fe9fe7493.jpeg)