推荐系统【Paper解读 item-based collaborative filtering recommendation algorithms】

最新推荐文章于 2020-06-09 22:14:53 发布

moonfansLTH

最新推荐文章于 2020-06-09 22:14:53 发布

阅读量1.4k

点赞数

分类专栏：学习笔记文章标签：推荐系统

本文链接：https://blog.csdn.net/moonfansLTH/article/details/82078989

版权

该文深入探讨了基于物品的协同过滤（Item-Based CF）推荐算法，旨在解决用户基础CF的可扩展性和质量挑战。item-based方法通过减少计算量和提高推荐准确性，改善了模型的实时性能。实验表明，基于余弦相似性的方法表现最佳，模型大小和预测质量之间存在平衡，小规模的item集合即可实现高精度预测。

摘要由CSDN通过智能技术生成

                    
                        
                    
                    0 Paper综述 
item-based CF 基础论文
题目：item-based collaborative filtering recommendation algorithms
 
1 Introduction 
1.1 传统user-based CF面临两个基础的问题 
挑战1：提升cf算法的scalability（real-time） 
 
  实时搜索巨大数量的potential neighbors时的计算量增大（网站用户剧增）
对于部分most frequent visitor产生的用户向量巨大，提高了搜索成本
挑战2：提升cf算法的quality（real-time） 
 
  提升推荐准确性
 
1.2 item-based的好处 
避免了user-based CF中在大量user中计算user similarity的工作
items之间的similarity是相对固定的（static），online computation的计算量相对较小。
 
2 基于CF的推荐系统 
CF解决的2个问题： 
 
  prediction：预测user 对 item的喜好程度
recommendation：按照喜好程度对item进行排序（不能把已经买过的item推荐出来）
<

                