推荐算法
文章平均质量分 90
推荐算法相关模型与经验分享
菜鸟炼丹师
于21年9月份接触编程,开始学习方法不得当,虽然学了很多大数据相关的知识,但由于不做笔记不整理,导致慢慢都遗忘,在接触机器学习、深度学习的过程中虽有了整理笔记的习惯,但仍然比较混乱,于是借复习机器学习的契机,开始将自己的所知、所感都整理成博客发表,以此来激励自己。
展开
-
推荐算法之SlopeOne算法
1.基本思想 SlopOne算法也属于协同过滤算法的范畴,它是一种Rating-based算法,即基于评分的协同过滤算法,利用物品间的流行度差异来预测用户对新物品的评分,一共有三种形式,下面将一一介绍。 在这里我们规定了下面将用得到的符号,以及他的含义。符号含义uuu对于一个给定用户的不完整的评分数组,称为evaluationevaluationevaluation,即用户对所有物品的评分数组,包括用户未评价的物品uiu_iui用户对物品iii的评分S(u)S原创 2022-05-18 23:44:37 · 705 阅读 · 1 评论 -
推荐算法之BaseLineOnly算法
一、基本思想BaseLineOnly算法被称为基准预测。其是建立在一定的假设上:每个用户的评分基准都是不同的,比如有的用户喜欢给高分,就算对于不喜欢的物品他也会给出6分的及格分(10分满分),而有的用户比较苛刻,对于很喜欢的物品也只给出7分,而不喜欢的物品直接给出2分。每个物品的好坏也是不同的,有些物品很受欢迎,可能大部分人都给出7分左右,而有的物品很差,每次都得到3分左右。我们的算法就利用了这种偏差,我们称这种偏差为偏置(bias)二、求解目标 我们假设整体的平均评分为μ\muμ,用户u原创 2022-05-17 23:28:41 · 193 阅读 · 0 评论 -
协同过滤算法理解
一、协同过滤思想介绍 顾名思义,协同过滤算法的核心思想就是“物以类聚,人以群分”,通过用户对物品的评价和意见,将物品和人聚成几类,从各自的类中挑选出用户可能感兴趣的的物品进行推荐,而代替从直接从海量物品中筛选,缩小目标范围,简化计算。二、协同过滤基本原理 协同过滤最关键的一步是怎么将人或者是物品进行聚类,此时我们的一般做法是获取用户-物品的共现矩阵,其中用户跟物品发生的交互有可能是显示行为(比如有具体评分等),但大部分情况下我们拿到的都是隐式行为(比如是否浏览、点击等)用户/物品i1原创 2022-05-17 17:15:17 · 2413 阅读 · 2 评论 -
ALS算法理解
ALS算法全称为交替最小二乘法(Alternating Least Squares),是一种基于协同过滤思想的矩阵分解算法。其亮点之一就在于优化参数时使用了交替最小二乘法,而非常规的SGD或者是MBGD,这一点就决定了ALS算法可以进行分布式并行计算,因此其被收录于Spark的Mlib以及ML库中。下面将详细介绍这一算法:一、隐语义模型1.基本思想在当前大数据环境下如果构建 用户-物品 共现矩阵其肯定是十分稀疏的,发生交互的用户和物品一定是少数,因此传统的矩阵分解方法(例如SVD)不再适用。用原创 2022-05-16 23:28:03 · 5344 阅读 · 6 评论