学习日记- 推荐系统算法总结

推荐系统算法总结

5月15日
svd

1. 协同过滤算法:

1.1用户的协同过滤：

**原理：**通过计算用户的相似性，然后计算喜好程度
**计算方法：**矩阵，倒排列，余弦值
存在问题：
依赖于准确的用户评分；
在计算的过程中，那些大热的物品会有更大的几率被推荐给用户；
冷启动问题。当有一名新用户或者新物品进入系统时，推荐将无从依据；
在一些item生存周期短（如新闻、广告）的系统中，由于更新速度快，大量item不会有用户评分，造成评分矩阵稀疏，不利于这些内容的推荐

1.2项目协同过滤：
计算项目的相似性，然后计算喜好程度
与用户协同过滤相似
矩阵稀疏可以使用矩阵分解

2. 基于内容的协同过滤：
   首先对每一个项目，抽取出能代表该项目的一些特征；其次，根据用户的历史行为记录刻画出用户画像（profile）；最后，将符合用户画像的项目推荐给用户

3. 基于模型的推荐算法

隐语义模型（Latent Factor Model，LFM）
应该就是矩阵分解
利于
相似性计算

有余弦相似度
基于内容的推荐系统

用户向量和物品向量