推荐算法

推荐算法架构

• 召回 - > 排序 - > 策略调整 - >

推荐模型构建流程

• 数据收集
  - 显性评分
  - 隐形数据
• 特征工程
  - 协同过滤 用户-物品 评分矩阵
  - 基于内容 分词 tf-idf word2Vec
• 训练模型
  - 协同过滤
  - KNN
  - 矩阵分解
• 评估、模型上线

协同过滤思路介绍

• CF 物以类聚人以群分
• 做系统过滤的话 首先特征工程要把用户-物品的评分矩阵创建出来
• 基于用户的协同过滤
  - 给用户A找到最相似的N个用户
  - N个用户消费过哪些商品
  - N个用户消费过的物品中减去A用户消费过的就是推荐结果
• 基于物品的协同过滤
  - 给物品A找到最相似的N个物品
  - A用户的消费记录 找到这些物品的相似物品
  - 从这些相似物品中先去重减去A用户消费过的就是推荐结果

相似度计算

• 余弦相似度， 皮尔逊相关系数
  - 向量的夹角余弦值
  - 皮尔逊会对向量的每一个分量做中心化处理
  - 余弦只考虑方向 不考虑向量长度
  - 如果评分数据是连续的数值比较适合中余弦、皮尔逊计算相似度
• 杰卡德相似度
  - 交集/并集
  - 计算评分是0 1布尔值的相似度