一个商家（item）下的推荐理由（recommendText）个性化排序

最新推荐文章于 2023-06-29 04:53:41 发布
最新推荐文章于 2023-06-29 04:53:41 发布
阅读量186 收藏
点赞数
分类专栏： 推荐系统 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/guotong1988/article/details/117823930
版权
博客探讨了如何将推荐理由个性化排序，将其视为用户画像任务而非简单的用户分组。指出用户分组方法可能无法满足少数用户的特定需求，建议简化为用户与推荐理由的匹配问题以提高效果。
摘要由CSDN通过智能技术生成

其实更是个 用户画像任务，more than a 用户分组任务。

用户分组后的整体对推荐理由的偏好 作为组里每个用户对推荐理由的偏好，相当于是满足组里 大多数 用户的需求，但对组里 较少数 用户是无效的 甚至拉低整体。

另外 看成复杂的 user-item和recommendText 的匹配问题，不如简化为 user和recommendText 的匹配问题

FocusOneThread
关注
专栏目录
订阅专栏
市面上有很多基于个性化推荐算法产品（信息流、短视频等），如果你是产品经理，你所负责的个性化推荐产品是倾向于引导用户“沉迷”，还是引导用户去看更加“正向”的内容，请说出你的判断和理由。
数字成都
08-12 1601
判断：引导用户看更加“正向”内容 理由： 注重内容是现在市场的一个发展方向 媒体人应有的意识与作用 优质正向的内容才可以长期留存用户 塑造品牌口碑 ...
python基于item-item filtering实现话题推荐
ymzhao
01-02 252
itemCF计算item间的相似度，生成相似度矩阵。然后根据输入items计算最相似的items。 以用户与话题为例，为用户推荐话题。 首先获取话题列表，其次根据用户与话题的交互（评论、点赞）统计每个用户的话题列表。 然后倒排出话题相似度矩阵 import numpy as np class TopicsRecommend: def __init__(self, uuid): ...
基于 itemCF (item collaborative filtering) 推荐（基于物品的协同过滤算法）的理解
zty
03-04 1181
推荐系统，一般是用于电商、广告、内容、信息流等推荐平台，以挖掘数据的最大价值。可以提升用户粘性和转化率。而本文提及到的基于内容的协同过滤算法就是一个经典的算法。 基本思想 首先，什么是协同呢？协同在这里指的就是，用集体的智慧来为个体过滤出他需要的信息。 基于物品的协同过滤算法，就是以物品为连接点，给用户推荐那些和他们之前喜欢的物品相似的物品。 比如，该算法会因为你购买过《Java从入门到精通》而给你推荐《Java并发编程实战》。不过，基于物品的协同过滤算法并不利用物品的内容属性计算物品之间的相似度，二是通过
什么是个性化推荐
测试入坑之路
03-30 5518
个性化推荐是指个人信息控制者利用用户数据和算法推送新闻信息、商业广告等向个人信息主体提供的一种。个人信息控制者不得以提供个性化推荐为由，误导个人信息主体同意其收集个人信息。 个人信息控制者在提供个性化推荐时，应当以明显方式标明“个性化推荐”字样，并为用户提供关闭个性化推荐的功能；用户选择关闭个性化推荐的功能时，应当停止个性化推荐，并删除已经收集的设备识别码等用户数据和个人信息。 个人信息控制者提供个性化推荐服务应遵守法律、行政法规，尊重社会公德、商业道德、公序良俗，诚实守信，严禁歧视、欺诈等行为。 ..
机器学习->推荐系统->itemCF算法
村头陶员外的博客
03-13 5873
上一讲讲到userCF算法，该算法是根据用户之间相似度，来给目标用户推荐与他们相似用户产生过行为的物品。该算法在某些应用场景并不适用。首先随着网站用户数目越来越大，计算用户兴趣相似矩阵越来越困难，运算时间复杂度和空间复杂度和用户增长近似于平方关系。其次，基于用户的协同过滤很难对推荐结果作出解释。由此产生了基于物品的协同过滤（itemCF）给用户推荐和他们之前喜欢的物品相似的物品。不过ItemCF算法
基于Spark MLlib 的推荐系统：实现个性化推荐和协同过滤算法原理
最新发布
程序员光剑
06-29 6354
2.2.1 基于用户行为的个性化推荐数据预处理：对用户行为数据进行清洗、转换，生成用户兴趣标签特征工程：从用户行为数据中提取出有用的特征信息模型训练：使用机器学习算法对用户特征进行训练，建立个性化推荐模型推荐服务：根据用户兴趣标签和模型预测，推荐个性化的内容2.2.2 基于协同过滤的个性化推荐数据预处理：对用户行为数据进行清洗、转换，生成用户行为数据特征工程：从用户行为数据中提取出有用的特征信息模型训练：使用机器学习算法对用户行为数据进行训练，建立协同过滤模型。
贝叶斯个性化排序（BPR）
weixin_46099084的博客
10-11 3516
介绍 显式反馈：用户对物品的评分，如电影评分 隐式反馈：用户对物品的交互行为，如浏览，购买等，现实中绝大部分数据属于隐式反馈，可以从日志中获取。 BPR是基于用户的隐式反馈，为用户提供物品的推荐，并且是直接对排序进行优化。 BPR（Bayesian Personalized Ranking），中文名称为贝叶斯个性化排序，是当下推荐系统中常用的一种推荐算法。与其他的基于用户评分矩阵的方法不同的是BPR主要采用用户的隐式反馈（如点击、收藏、加入购物车等），通过对问题进行贝叶斯分析得到的最大后验概率来对item进
个性推荐①——系统总结个性化推荐系统
cindy407的博客
04-17 6164
本文是整理于个性推荐经典之作《推荐系统实战》，将会以十个大家最想问的问题，揭开个性化推荐系统的神秘面纱（文末附下电子书的下载链接） 一、你觉得个性推荐系统是什么？ 分类查询，搜索引擎查询，再到个性推荐，都是解决信息过载的问题 前两者是在用户有明确需求时，可以非常方便地找到自己感兴趣的信息，而个性推荐是要解决当用户没有明确需求，或者无法用文字进行描述时，根据用户的历史行为，推荐给他感兴趣的信息 个性...
个性化推荐系统--个性化召回算法总结与评估方法的介绍（6-1）
weixin_41640583的博客
04-07 4894
一、个性化召回算法的总结 这里会将之前介绍过的几种算法进行归类，并简短介绍每一种个性化召回算法的核心原理；同时演示工业界中多种召回算法共存的架构。 下面看一下之前讲过的个性化召回算法的分类： 1. 基于邻域的：CF、LFM、基于图的推荐personal rank item-CF是item根据user的贡献，得到item的相似度矩阵，用户根据点击过的item的相似item来完成推荐。 us...
协同过滤算法概述与python 实现协同过滤算法基于内容（usr-item,item-item）
IT届的小学生
04-08 1万+
协调过滤推荐概述 　 协同过滤(Collaborative Filtering)作为推荐算法中最经典的类型，包括在线的协同和离线的过滤两部分。所谓在线协同，就是通过在线数据找到用户可能喜欢的物品，而离线过滤，则是过滤掉一些不值得推荐的数据，比比如推荐值评分低的数据，或者虽然推荐值高但是用户已经购买的数据。 　 协同过滤的模型一般为m个物品，m个用户的数据，只有部分用户和部分数据之间是...
推荐算法之用户推荐（UserCF）和物品推荐（ItemCF）对比
weixin_30429201的博客
09-19 871
一、定义 UserCF：推荐那些和他有共同兴趣爱好的用户喜欢的物品 ItemCF：推荐那些和他之前喜欢的物品类似的物品 根据用户推荐重点是反应和用户兴趣相似的小群体的热点，根据物品推荐着重与用户过去的历史兴趣，即： UserCF是某个群体内的物品热门程度 ItemCF是反应本人的兴趣爱好，更加个性化 二、新闻类网站采用UserCF的原因： 用户大都...
基于Item-Based协同过滤推荐
机器之我心的博客
06-02 3388
     基于Item-Based协同过滤推荐是基于商品本身属性之间的关联分析，最基本的思想是计算物品与物品之间的相似度，通过物品之间的相似度程度进行推荐。      一种思想是通过商品相似度，且已评分进行加权，得到未知商品评分。      如果商品数量多，用户过多，容易产生过适问题。为了解决这个问题，利用简单的两种商品已评分的平均差值方式来简单而有效地进行评估，这种方法称为Slope one...
【机器学习】6、推荐系统原理与应用
呆呆的猫的博客
07-27 8313
根据用户的等来推荐用户感兴趣的物品历史行为社交行为兴趣点所处的上下文环境（上下班时间/周末等）…
协同过滤推荐算法：UserCF、ItemCF
热门推荐
hhjhh76的博客
08-17 2万+
目录 一、协同过滤算法 二、基于邻域的算法：UserCF、ItemCF 三、UserCF、ItemCF的改进 一、协同过滤推荐算法 协同过滤算法是指基于用户行为数据设计的推荐算法，主要包括： 1.基于邻域的算法：UserCF（基于用户的协同过滤算法）、ItemCF（基于物品的协同过滤算法） 2.隐语义模型：LFM 3.基于图的随机游走算法：PersonalRank 本文主要讲解基...
《推荐系统》基于用户和Item的协同过滤算法的分析与实现（Python）
weixin_33774883的博客
05-30 2251
1：协同过滤算法简介 2：协同过滤算法的核心 3：协同过滤算法的应用方式 4：基于用户的协同过滤算法实现 5：基于物品的协同过滤算法实现 一：协同过滤算法简介 关于协同过滤的一个最经典的例子就是看电影，有时候不知道哪一部电影是我们喜欢的或者评分比较高的，那么通常的做法就是问问周围的朋友，看看最近有什么好的电影推荐。在问的时候，都习惯于问跟自...
推荐系统_itemCF和userCF
u011263983的博客
05-25 2万+
推荐系统的分类： 基于应用领域分类：电子商务推荐，社交好友推荐，搜索引擎推荐，信息内容推荐 基于设计思想：基于协同过滤的推荐，基于内容的推荐，基于知识的推荐，混合推荐 基于使用何种数据：基于用户行为数据的推荐，基于用户标签的推荐，基于社交网络数据，基于上下文信息（时间上下文，地点上下文等等） 协同过滤： 协同过滤的基本思想（基于用户）： 协同过滤一般是在海量的用户中发掘
推荐系统-基于itemCF推荐模型
csearch的博客
05-05 6935
时间：2017年5月 出处： 声明：版权所有，转载请联系作者并注明出虽然目前工业界很少再直接通过itemCF来进行推荐，但可以从这个算法中体会到这种集体智慧的应用。1.ItemCF原理充分利用集体智慧，即在大量的人群的行为和数据集中收集答案，以帮助我们对整个人群得到统计意义上的结论，推荐的个性化程度高。 基于以下两个出发点： （1）兴趣相近的用户可能会对同样的东西感兴趣； （2）用户可能
pv事件 mv事件 mc事件
Talk Is Cheap
03-15 1656
pv，page view 页面打开的次数，无论用户是否浏览里面的子模块，都会记录， mv，module view 页面打开了，用户浏览了页面里的子模块的次数， mc，module click 页面打开了，用户点击了页面里的子模块的次数， ...
大数据时代下的个性化美食推荐：商品森林体系算法
"一种基于商品森林体系的个性化美食推荐算法，欧阳跃祁，陈浩，针对大数据时代和用户移动性增强的背景下，个性化美食推荐的挑战，提出了一种新的推荐算法。该算法结合商品森林体系，构建用户-商品-商家的多维空间...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

FocusOneThread

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值