推荐系统实战

一 含义

个性化推荐，给每个人推荐不一样的内容。

协同过滤：

1.如何确定一个用户是不是和我是相似的

2.如何对找到的人喜欢看的东西的排行

实习协同过滤的步骤：

1.收集用户偏好

2.找到相似的用户或者物品

3.计算推荐

相似度计算：

欧几里德距离（Euclidean Distance)：距离，相似度

皮尔逊相关系数（Pearson Correlation Coefficient)：协方差【-1，+1】，皮尔逊相关系数

Cosine相似度

邻居的选择

A.固定数量的邻居

B.基于相似度门槛

协同过滤：

基于用户的协同过滤：时事新闻，突发情况

基于物品的协同过滤：图书，电子商务，电影

基于物品的协同过滤的优势：

计算性能高，通常用户的数量远小于物品数量

可预先计算保留，物品并不善变

用户能启动问题：

引导用户把自己的一些属性表达出来

利用

隐语义模型

从数据出发，进行个性化推荐

用户

隐语义模型求解

隐语义模型参数选择：

1.隐特诊的个数F，通常F=100

2.学习速率alpha,别太大

3.正则化参数lambda,别太大

4.负样本/正样本比例 ratio

评估指标

1.准确率：RMSE

2.召回率：Recall

3.覆盖率:Coverage

4.多样性：Diversity

二.音乐推荐