![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
AwesomeDong
机器学习算法大白话爱好者
展开
-
推荐系统算法:矩阵分解
矩阵分解 推荐系统中存在着用户行为的稀疏矩阵,由于稀疏矩阵无法给用户进行商品推荐,因此考虑补全这些缺失值,并根据缺失值TOP-N对用户进行个性化推荐。 可以对稀疏矩阵进行分解,假设有如下用户对电影的观影喜好: 假设隐分类个数:3 我们可以将评分矩阵分解为:User 矩阵和 Item 矩阵,User 矩阵代表用户对电影隐分类类别的喜好程度;item 矩阵代表各个电影都属于哪一类隐分类类别。如果可以分解,那么相乘必将得到完整的评分矩阵。 User 矩阵为 X=[x1,x2,...,xN]X= [x_1,x_原创 2020-10-09 00:14:34 · 1567 阅读 · 0 评论 -
推荐系统框架及概述
推荐系统算法有哪些 一、基于内容: 基于商品的本身内容相似度进行推荐,用户喜欢内容1,推荐与内容1 相似的内容。 静态的推荐,需要对物品具体内容进行打标签,适合解决冷启动问题,(新系统,新用户,新商品) 二、协同过滤: 基于用户的行为进行推荐。通过与用户相似用户喜欢的内容给用户进行推荐。(群体的智慧) 动态的推荐,不需要对商品具体内容打标签,适合用户的个性化推荐。 基于邻域的推荐方式: 基于相似个体的推荐方式(邻域:越接近相似度越高) (1). ItemCF: 推荐原理:基于商品间的相似度进行推荐,两原创 2020-09-13 20:59:42 · 711 阅读 · 0 评论