一、学习目标
1.推荐系统概要
2.学习三种协同过滤的经典推荐系统
3.学习各种方法改善协同过滤的推荐系统
二、推荐系统概要
作用:为用户定制化提供推荐信息。
原因:如今用户处在信息爆炸的时代,难以找到自己想要的信息。
难点:不像搜索引擎一样需要用户输入,而且需要针对不同用户个性化推荐。
三、三种经典的协同过滤(CF)推荐系统
1.纯CF
即计算该用户历史上对一系列物品的评分取平均,作为其对当前一系列所对应未知物品的评分。选择前n个物品来作推荐。
2.基于用户的最近邻CF
寻找当前用户的一些相似邻居(他们的历史评分与当前用户的相似),这些邻居有对未知物品进行评分,用他们的评分来确定当前用户的评分。
问题1:
问题2是可人为设定的参数,不用细讲,而问题3,则可通过上面的相似性*分数的形式得到:
3.基于商品的CF
同基于用户,也需要计算商品之间的相似性,再计算当前商品的得分:
4.各种问题
新用户如何推荐商品。(冷启动问题)
当前用户评分过少,如何推荐(评分矩阵稀疏问题,下面改善方法都是为解决该问题)
四、改善方法
1.引入隐式评分
前面的评分都是用户直接评的,但并不是所有用户都愿意花时间去评,所以映入隐式评分:
2.奇异值分解稀疏矩阵
例子:(奇异值分解步骤可见网上教程)
3.关联规则挖掘
例子:
4.概率方法
主要核心是使用贝叶斯公式来进行似然估计:
例子:
5.Slope-one预测器
6.RF-Rec预测器
五、总结