深度学习推荐系统笔记（2)

1.  主要的技术大类：

协同过滤算法CF	用户协同过滤UserCF——基于用户相似度 物品协同过滤ItemCF——基于物品相似度
逻辑回归模型LR	衍生LS-PLM
因子分解机FM	衍生FFM
组合模型	GBDT+LR...

2.协同过滤

协同过滤：通过集体智慧的力量来进行工作，过滤掉用户不感兴趣的项目。

为特定用户找到他真正感兴趣的内容的好方法是首先找到与此用户有相似兴趣的其他用户，然后将他们感兴趣的内容推荐给此用户。

        根据用户X对其他商品的历史评价和其他用户对商品库中商品的历史评价数据——得到用户，商品，评价的有向图——转换为UI矩阵（矩阵中的元素值为对应用户商品的评价的数字化形式）——协同过滤（用户相似度、物品相似度）去补全X所在行电视机所在列的元素值。

2.1 用户相似度

  根据UI矩阵来计算行（用户维度）的相似度。

（1）余弦相似度：余弦相似度越大，两个用户越相似。

                                                ​​​​​​​        

 （2）皮尔逊相关系数：引入了用户对商品的平均分，减少了用户评分偏置的影响。

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​      

 其他各自向量相似度定义...协同过滤的改进——相似度定义改进

 通过用户相似度找到topN最相似的用户——对相似用户对于电视机的评价做加权平均（权重：相似度）得到X对电视机的评分。

                                                        

缺点：UI矩阵M>>N，用户数>>物品数，找相似用户的开销大
          用户向量即行向量很稀疏   

2.2 物品相似度

根据UI矩阵来计算列（物品维度）的相似度。找到与特定物品最相似的N个物品，对特定用户对相似物品的评价做加权平均（权重：物品相似度）得到X对电视机的评分。

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

 2.3 UserCF与ItemCF的应用场景

UserCF	社交特征，更新快——发现热点，跟踪热点——新闻
ItemCF	兴趣变化比较稳定的应用——购物，视频