各种矩阵:计算物品相似度矩阵
基于物品的协同过滤 – 很清晰!!
下载相关数据集,对初始的数据进行数据处理,分离出用户- 物品评分表、物品、用户属性表等数据文件;选择基于物品的协同过滤作为算法,构建模型;根据用户对物品评分数据文件,建立用户物品倒排表,从倒排表中找出不同用户对不同物品的行为记录,并构建物品同现矩阵;计算物品(item)之间的相似度,通过计算出的相似度,得到物品之间的相似度矩阵,再对每个用户构建评分矩阵;得到物品的相似度矩阵之后,ItemCF 通过公式计算用户对物品的感兴趣程度,返回用户最可能喜欢的物品。
https://grouplens.org/datasets/movielens/ 数据集下载
AFM论文(系列)代码
AFM论文(作者)代码
AFM的 数据集。Porto Seguro’s Safe Driver Prediction
AFM 理论与实践
《NAIS: Neural Attentive Item Similarity Model for Recommendation》论文阅读及解析. 网站1 全 ---- 网站2
代码
代码链接1
代码链接2
TensorFlow实战——个性化推荐
embedding 嵌入
嵌入(embedding)层的理解
embedding练习代码
Embedding和Word2Vec实战
基于 物品 的协同过滤:
用户-项目评分矩阵 —> 计算项目相似度 —> 选取近邻项目 —> 预测评分
相似度计算:余弦相似度,改进的余弦相似度,皮尔逊相似度
其中,皮尔逊相似度 仅考虑了 用户评价 物体交集 的标准差,比其他方法效果好。
推荐系统 - - - 两个阶段:召回阶段,排序阶段。
召回阶段:从全量的商品库中得到用户可能感兴趣的一小部分候选集。如:协同过滤(如itemCF:计算物品之间的相似度;根据 物品相似度 和 用户的历史行为 给用户生成召回候选集。)
排序阶段:将召回阶段得到的候选集进行精准排序,推荐给用户。
ps:物品候选集:需要给用户匹配的物品。要 转化为对应的物品特征。
模型评价指标:TP、FP、TN、FN ,精确率、召回率与特异性,ROC曲线和PR曲线
命中率 HR,归一化折损累计增益 NDCG,平均倒数排名 MRR,举例子
揭开Top-N 经典算法 SLIM 和 FISM 之谜
itemKNN发展史–解读 Item-based CF,SLIM,FISM
注意力机制相关
Attention注意力机制介绍
干货 | Attention注意力机制超全综述 — (论:公式)