推荐系统2-召回1usercf

最新推荐文章于 2024-03-14 18:22:24 发布
最新推荐文章于 2024-03-14 18:22:24 发布
阅读量260 收藏
点赞数
分类专栏： 推荐算法 文章标签： 推荐算法 算法 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_14873781/article/details/124679479
版权

说明：笔记记录来自B站大佬的视频
大佬主页：https://space.bilibili.com/1369507485?spm_id_from=333.788.b_765f7570696e666f.1
up主：shusenwang
视频链接：https://www.bilibili.com/video/BV1mA4y1Q7RN/?spm_id_from=333.788.recommend_more_video.1

基于物品的协同过滤（item CF）

原理
在这里插入图片描述a. 知识图谱，两个书的作者相同
b. 用户行为，如：给笑傲江湖写好评的也给鹿鼎记写好评； 看过笑傲江湖的也看过鹿鼎记等

用户对具体物品的兴趣分数计算
两个物品不相似
两个物品相似
物品相似度
在这里插入图片描述

在这里插入图片描述
2. 用于召回的完整流程
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

de一颗小白菜
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
itemcf:推荐基于Pandas和Cython的系统召回算法
04-11
本文将深入探讨一种基于Pandas和Cython的项目协同过滤（Item-based Collaborative Filtering，简称Item-CF）算法的实现，标题为"itemcf:推荐基于Pandas和Cython的系统召回算法"。 协同过滤是一种广泛使用的推荐系统...
基于用户协同过滤usercf的python代码实现
04-29
用户协同过滤（User-Based Collaborative Filtering，简称UserCF）是一种推荐系统中常用的技术，它基于用户的历史行为数据来预测用户可能对未评价物品的兴趣。在本文中，我们将深入探讨UserCF的工作原理、Python实现...
召回-UserCF
09-06 127
原理
推荐召回--基于用户的协同过滤：UserCF
hpu120623的博客
01-19 854
一文彻底搞懂基于用户的协同过滤思想
推荐系统1-基本概念
yyy'sblog
05-10 269
说明：笔记记录来自B站大佬的视频 大佬主页：https://space.bilibili.com/1369507485?spm_id_from=333.788.b_765f7570696e666f.1 up主：shusenwang 1. 小红书推荐系统转化流程： 2. 消费指标 点击率越高：推荐越精准 f(笔记长度)：归一化函数 推荐越符合用户兴趣，点赞收藏转发会越多 多样性：不能一味追求用户段时间内的兴趣 3. 衡量推荐系统好坏：北极星指标（最重要的指标） a. 用户规模 DAU：一天内不管
推荐系统召回之userCF
dreamfantacy的博客
10-08 369
基于用户的协同过滤算法userCF 1.1 相似度计算 通过计算用户之间的相似度。这里的相似度指的是两个用户的兴趣相似度。 假设对于用户uuu和vvv，N(u)N(u)N(u)指的是用户uuu喜欢的物品集合，N(v)N(v)N(v)指的是用户vvv喜欢的物品集合，可以通过Jaccard公式计算uuu和vvv的相似度： Wuv=∣N(u)∣⋂∣N(v)∣∣N(u)∣⋃∣N(v)∣ W_{uv} = ...
工业界真实的推荐系统(小红书)-召回-ItemCF、Swing、UserCF
最新发布
qq_17065591的博客
03-14 854
王树森老师的硬核课程，由于PPT很多，并且老师的很多经验是口述，没有写在PPT里，网上有一些网友的笔记，但不是很完整，学习起来也比较费事，所以我自己整理了120页的PPT（这里放的是截图），期望能比较完整地把老师的经验呈现出来，同时缩短学习时间。课程特点：系统、清晰、实用，原理和落地经验兼具。
推荐系统 - 召回 - 协同过滤
weixin_41332009的博客
02-03 1204
协同过滤 这里要先声明一点，仅仅基于用户行为(浏览、加购物车、购买)数据设计的推荐算法一般称为协同过滤算法。凡是那些考虑了商品本身特性的算法不叫协同过滤。 1. 基于用户的协同过滤算法 定义：在一个在线个性化推荐系统中，当一个用户A需要个性化推荐时，可以先找到和他有相似兴趣的整个用户群体，然后把这个用户群体喜欢的、而用户A没有听说过的物品推荐给A。 主要包含两个步骤： a. 计算用户之间的相似度：找到和用户A兴趣相似的用户群体。 b. 用户群体对物品的喜好程度、以及用户A和用户群体的相似度为每个物品
推荐系统-召回层-召回模型：【协同过滤类：ItemCF、UserCF】【Embedding类：Dssm/双塔/word2vec】【图类召回算法：Deepwalk、EGES】
u013250861的博客
08-02 301
推荐系统-召回层-召回模型：协同过滤类【ItemCF/UserCF】【Embedding类：Dssm/双塔/word2vec】【图类召回算法：Deepwalk、EGES】
推荐系统之-协同过滤(userCF、itemCF)
traveler-leon的博客
12-22 1381
什么是协同过滤？ 通常协同过滤指代就是userCF，和itemCF。 userCF也就是基于用户协同，本质就是找到与自己相同的用户，将相似用户有过行为的物品而我没有过行为的物品推荐给我； itemCF是基于物品的协同，本质是找到物品的相似物品，将我有过行为的物品的相似物品推荐给我。 所以本质上说，协同就是相似，是一个不断的在找相似的一个过程，既然是寻找相似，那自然要有一个标准来度量相似情况，通常有以下的集中相似描述的机制 在介绍相似的描述标准的时，要介绍以下用户物品打分矩阵。通常一个网站如果有打分机制的话，
UserCF_基于用户的推荐系统_
10-03
**基于用户的推荐系统(UserCF)**是一种广泛应用于个性化推荐领域的算法，它主要依赖于用户的历史行为数据来预测用户可能对未接触过的项目产生的喜好。在本文中，我们将深入探讨UserCF的工作原理、优缺点以及实现细节...
推荐系统教程 第2周 最流行的推荐系统：itemCF和userCF.rar
08-25
在这个“推荐系统教程 第2周 最流行的推荐系统：itemCF和userCF.rar”压缩包中，包含了丰富的视频教程（RS02d.avi、RS02e.avi、RS02c.avi、RS02a.mp4、RS02b.mp4）和一份PDF文档（RS02.pdf），主要探讨了两种经典的...
news-recommender:基于Mahout的新闻推荐系统
03-11
基于Mahout的新闻推荐系统 相关技术 推荐算法 基于用户的协同过滤 基于内容的推荐 基于景点的推荐 ：整体框架，实现了协同过滤 ，建立VSM ：分词，关键词提取 ：分词，关键词 ：提供API，ORM ... UserCF--Log
LLM在电商推荐系统的探索与实践
11-21
本文探索了大语言模型(LLM)在电商推荐系统中的应用，旨在解决推荐系统中经典的CF范式与LLM之间的差距。通过使用LLM对推荐系统进行数据增强，既能保证基础推荐系统的准确性，又充分利用了数据集中的文本信息和大语言...
当大语言模型遇见推荐系统
11-21
经典的协同过滤 (CF) 范式已经发展了许多年，但是 LLMs 存在着幻觉问题 (Hallucination)，因此很难适配需要准确预测用户偏好的推荐系统。 二、大语言模型在推荐系统中的挑战 1.如何让 LLMs 进行推荐？大语言模型...
Jester 推荐系统数据数据集
07-06
接着，可以利用这些数据训练协同过滤模型，如基于用户的协同过滤（User-based CF）和基于物品的协同过滤（Item-based CF）。此外，还可以考虑结合其他机器学习方法，如矩阵分解（Matrix Factorization），以提升推荐...
User-CF 基于用户的协同过滤算法
07-05
安装了VC6.0之后进入debug-test1.exe即可运行，计算出算法数据集的准确率，召回率，多样性等推荐系统指标。数据集是movielens1M的评分数据集，文件名是rating.dat。具体代码是test.cpp右键记事本查看
user-based cf java算法
11-13
为了评估推荐系统的性能，通常会使用如精度（Precision）、召回率（Recall）、F1分数、覆盖率（Coverage）以及平均绝对误差（Mean Absolute Error，MAE）等指标。在Java实现中，需要编写对应的评估函数，并通过交叉...
推荐系统：理论、方法与评估
1. **协同过滤**：协同过滤是推荐系统中最常见的技术之一，分为基于用户的协同过滤（USER-CF）和基于物品的协同过滤（ITEM-CF）。USER-CF通过分析用户的历史行为，找出具有相似兴趣的用户，然后将一个用户未曾体验但...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值