基础推荐模型——传送门:
- 推荐系统 | 基础推荐模型 | 协同过滤 | UserCF与ItemCF的Python实现及优化
- 推荐系统 | 基础推荐模型 | 矩阵分解模型 | 隐语义模型 | PyTorch实现
- 推荐系统 | 基础推荐模型 | 逻辑回归模型 | LS-PLM | PyTorch实现
- 推荐系统 | 基础推荐模型 | 特征交叉 | FM | FFM | PyTorch实现
- 推荐系统 | 基础推荐模型 | GBDT+LR模型 | Python实现
文章目录
一、协同过滤
经典的协同过滤算法曾是推荐系统的首选模型,从物品相似度和用户相似度角度出发,协同过滤衍生出物品协同过滤(ltemCF
) 和用户协同过滤 (UserCF
) 两种算法。
1.什么是协同过滤?
“协同过滤”,就是协同大家的反馈、评价和意见一起对海量的信息进行过滤,从中筛选出 标用户可能感兴趣的信息的推荐过程。这里用一个商品推荐的例子来说明协同过滤的推荐过程。
图中描述了一个电商网站场景下的协同过滤推荐过程,其推荐过程分为6步:
- 电商网站的商品库里共有6件商品,分别是游戏机、某小说、 某杂志和某牌电视机
- 用户X访问该电商网站,电商网站的推荐系统需要决定是否推荐电视机给用户。换言之,推荐系统需要预测用户是否喜欢该品牌的电视机。为了进行这项预测,可以利用的数据有用户对其他商品的历史评价数据,以及其他用户对这些商品的历史评价数据。可以看到,用户、商品和评价记录构成了带有标识的有向图。
- 为便于计算,将有向图转换成矩阵的形式(被称为"共现矩阵" ),用户作为矩阵行坐标,商品作为列坐标,将"点赞"和"踩"的用户行为数据转换为矩阵中相应的元素值,这里将"点赞"的值设为1 ,将"踩"的值设为 -1 ,"没有数据"置为 0。(如果用户对商品有具体的评分,那么共现矩阵中的元素值可以取具体的评分值,没有数据时的默认评分也可以取评分的均值)
- 生成共现矩阵之后,推荐问题就转换成了预测矩阵中问号元素的值的问题。 既然是"协同"过滤,用户理应考虑与自己兴趣相似的用户的意见。因此,预测的第一步就是找到与用户X兴趣最相似的n (
Top n
用户,这里的n是一个超参数)个用户,然后综合相似用户对"电视机"的评价,得出用户 对"电视机"评价的预测。 - 从共现矩阵中可知,用户B和用户C由于跟用户X的行向量近似,被选为 Top n (这里假设 n取2 )相似用户,由于用户B和用户C对"电视机"的评价都是负面的
- )相似用户对"电视机"的评价是负面的,因此,可预测用户 对"电视机"的评价也是负面的。在实际的推荐过程中,推荐系统不会向用户 推荐"电视机"这一物品。
以上描述了协同过滤的算法流程,其中关于"用户相似度计算"及"最终结果的排序"过程是不严谨的,下面重点描述这两步的形式化定义。
2.用户相似度计算
在协同过滤的过程中,用户相似度的计算是算法中最关键的一步。共现矩阵中的行向量代表相应用户的用户向量 那么,计算用户i
和用户j
的相似度问题,就是计算用户向量 i i i和用户向量 j j j 之间的相似度,两个向量之间常用的相似度计算方法有如下几种:
- 余弦相似度
余弦相似度( Cosine Similarity )衡量了用户向量 i i i和用户向量 j j j之间的向量夹角大小。显然,夹角越小,证明余弦相似度越大,两个用户越相似。其公式为:两个向量的乘积除以两个向量模的乘积。
s i m ( i , j ) = c o s ( i , j ) = i ⋅ j ∣ ∣ i ∣ ∣ ⋅ ∣ ∣ j ∣ ∣ sim(i,j)=cos(i,j)=\frac{i·j}{||i||·||j||} sim(i,j)=cos(i,j)=∣∣i∣∣⋅∣∣j∣∣i⋅j - 皮尔逊相关系数
相比余弦相似度,皮尔逊相关系数通过使用用户平均分对各独立评分进行修正,减小了用户评分偏置的影响。
s i m ( i , j ) = ∑ p ∈ P ( R i , p − R ‾ i ) ( R j , p − R ‾ j ) ∑ p ∈ P ( R i , p − R ‾ i ) 2 2 ∑ p ∈ P ( R j , p − R ‾ j ) 2 2 sim(i,j)=\frac{\sum_{p∈P}(R_{i,p}-\overline{R}_{i})(R_{j,p}-\overline{R}_{j})}{\sqrt[2]{\sum_{p∈P}(R_{i,p}-\overline{R}_{i})^2}\sqrt[2]{\sum_{p∈P}(R_{j,p}-\overline{R}_{j})^2}} sim(i,j)=2∑p∈P(Ri,p−Ri)22∑p∈P(Rj,p−Rj)2∑p∈P(Ri,p−Ri)(Rj,p−Rj)
其中, R i , p R_{i,p} Ri,p代表用户 i i i对物品 p p