Recommender ~ Content-based filtering

已于 2024-06-09 11:36:53 修改
阅读量211 收藏 2
点赞数 9
分类专栏： 数据科学 文章标签： 机器学习 推荐算法
于 2024-04-17 00:37:24 首次发布
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_41758289/article/details/137844156
版权
本文探讨了基于内容的推荐系统（如TensorFlow实现）与协作过滤的比较，介绍了深度学习在学习用户和项目向量以及从大型目录中进行检索和排名中的应用。同时关注了推荐系统的伦理使用及其目标。
摘要由CSDN通过智能技术生成

Content-based filtering

  • Content-based filtering vs. Collaborative filtering
    vs
  • example
    example
  • Learning to match
    Predict rating of user j on movie i

Deep learning for content-based filtering

  • Neural Network architecture
    arch1
    arch2
  • Learned user and item vectors
    vs

Recommending from large catalogue

catalog: 目录
retrieval: 检索
ranking: 排名
plausible: 看似合理的

  • example
    example
  • retrieval
    retrieval
  • ranking
    ranking
  • retrieval step
    retrieval step

Ethical use of recommender systems

  • what’s the goal of the recommender system.
    goal

TensorFlow implementation of content-based filtering

  • code
    tensorflow code
    l2_normalize: 正则化向量vector vu，使其长度等于1
    Dot: dot product 点积
kk_io
关注
  • 9
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
推荐系统- list of recommender systems
07-06
基于内容的推荐(Content-Based Filtering)：根据用户之前的浏览记录、搜索记录等,分析用户的兴趣偏好,向用户推荐与之相似的内容。 协同过滤(Collaborative Filtering)：通过分析用户之间的相似性,找出与当前用户兴趣...
Recommender-system_a-introduction
04-27
2. **基于内容的过滤**（Content-Based Filtering）：这种推荐方法依赖于物品本身的属性特征来进行推荐。例如，如果一个用户过去喜欢阅读科幻小说，那么系统会推荐更多的科幻类书籍给他。 3. **混合推荐方法**：...
推荐系统：Content-based & Collaborative Filtering
糖葫芦君的博客
01-03 5703
X = set of 顾客 S = set of 商品 Utility function: X ×\times× S = R R = 打分的集合 本文将主要针对以下关键问题进行阐述： （1） 收集矩阵中已知的打分：怎么收集utility matrix中的数据 （2） 根据已知的打分推断未知的得分：我们主要关心的是未知的高分项，因为我们只想知道客户喜欢什么而不关心客户不喜欢什么 （3） 评估推断方...
Content-Based Recommender System
weixin_33919950的博客
01-28 192
Content-Based Recommender System是基于产品（商品、网页）的内容、属性、关键字，以及目标用户的喜好、行为，这两部分数据来联合计算出，该为目标用户推荐其可能最感兴趣的产品。 有几个点值得注意： a、并不太关注其他用户的喜欢、行为或评分等，仅仅关注目标用户； b、适合于新产品的冷启动，但不适合新用户的冷启动； c、像电影、音乐类系统，有可能推荐给用户毫无新意的产品...
基于内容的推荐（Content-based Recommendations）
茅坤宝骏氹的博客
06-16 681
转载自   基于内容的推荐（Content-based Recommendations）  Collaborative Filtering Recommendations (协同过滤，简称CF) 是目前最流行的推荐方法，在研究界和工业界得到大量使用。但是，工业界真正使用的系统一般都不会只有CF推荐算法，Content-based Recommendations (CB) 基本也会是其中的一部分。 ...
推荐系统Content-based & Collaborative Filtering、ML 吴恩达 英文笔记
weixin_39478934的博客
01-28 274
主要参考： 英文笔记：http://www.holehouse.org/mlclass/16_Recommender_Systems.html （非常好！！！！） 吴恩达机器学习总结：第十三 推荐系统（大纲摘要及课后作业） https://blog.csdn.net/CC12222032/article/details/79875670?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.co
基于内容的推荐系统（content-based recommender system）
LilyNothing的博客
08-15 5108
基于内容的推荐系统（content-based recommender system）1. movie rating predict比如要预测一位观影者对于还未观看过的电影的评分，并根据他的观影记录给予推荐相应的电影。 如上图所示，需要算表格中问号的评分，那么就需要一个算法来进行实现。给出x0=1,使得特征变量成为三元向量。其中的thera是通过某种算法得到，在后面的习题中是根据代入数字进行计
A Survey on Knowledge Graph-Based Recommender Systems
weixin_42303403的博客
03-06 349
A Survey on Knowledge Graph-Based Recommender Systems
论文笔记：Collaborative Filtering Recommender Systems
pyxiea
11-15 881
学习随笔，仅记录值得留意的点。 协同过滤的适用领域 PS：适用协同过滤的场景并不一定完全符合下述要求，只是如果下述条件符合会更适合使用CF 数据要求 1、item数量足够多 2、每个item有足够多的评分 3、每个用户对较多数量的item给出了评分。如果一个用户只对一个item进行了评分，那我们就无法获得item之间相关联的信息。 4、用户评分的数量要比item数量大得多。例如当用户评论稀疏时，我们就需要更多用户来弥补这一缺陷；再举个实际例子，谷歌搜索所索引了的网页数量比全球人口还要多，因此用户无法对ite
content-based 的初步理解
shitaixiaoniu的专栏
06-23 3496
content-based recommendation 起源于information retrieval and  informatio filtering research. 1基本思路是选择与用户以往偏好相似的item ，content-based方法 主要适用于text-based的推荐 2主要方法：  A . Content（s）表示 item s 的属性集（一
Machine learning week 9(Andrew Ng)
小白有颗大白梦的博客
09-01 328
吴恩达机器学习（2022python版）笔记参考及代码实现
Recommender-system_an-introduction
10-31
推荐系统的自动化策略包括个性化购买提案的生成，如基于协同过滤（collaborative filtering）和基于内容的过滤（content-based filtering），以及更交互式和基于知识的方法。此外，推荐系统还包括衡量其有效性的方法...
Practical Recommender Systems
02-20
Practical Recommender Systems By 作者: Kim Falk ISBN-10 书号: 1617292702 ISBN-13 书号: 9781617292705 ...Collaborative and content-based filtering Machine learning algorithms Real-world examples in Python
【人工智能】全景解析：【机器学习】【深度学习】从基础理论到应用前景的【深度探索】
最新发布
小李很执着的博客
08-13 573
总结：人工智能作为当今科技领域的前沿，正在迅速改变各行各业。尽管AI带来了前所未有的机遇，但也伴随着重大挑战。人类社会需要在推动AI技术发展的同时，谨慎应对其可能带来的风险和问题。 展望：未来，随着技术的进一步成熟和完善，AI将以更智能、更安全的方式融入人类生活，推动社会进步和人类福祉。
【人工智能】TensorFlow和机器学习概述
weixin_51306394的博客
08-13 849
TensorFlow是由Google Brain团队开发的开源机器学习库，用于各种复杂的数学计算，特别是在深度学习领域。以下是对TensorFlow的详细概述：
【人工智能】【机器学习】- 好书推荐之《深度学习调参指南》
技术分享、程序员趣事、行业趋势等内容！
08-12 534
深度学习调参指南》是一份由Google和哈佛大学的研究人员与工程师共同编写的实战手册，旨在帮助读者系统性地优化深度学习模型的性能。该指南强调了在深度学习实践中遇到的实际问题和解决方案，尤其关注超参数调优的过程，同时也涉及工作流实施和优化等其他方面。
【机器学习sklearn实战】逻辑回归（Logistic regression）
跟着大数据和AI去旅行
08-13 256
【代码】【机器学习sklearn实战】逻辑回归（Logistic regression）
"推荐系统手册第三版：最权威的指南与最新研究
With a focus on both the theoretical and practical aspects of recommender systems, this handbook offers a thorough overview of the different types of recommendation techniques, including collaborative...
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