推荐系统算法总结
5月15日
svd
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
-
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 -
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