推荐算法
文章平均质量分 50
陈多鱼
路在心中,路在脚下
展开
-
传统推荐模型
传统的推荐模型(一)发展脉络:类似搜索引擎中的倒排索引算法,先进行倒排,再构造共现矩阵从而减少计算量,最后计算相似度(UF,TF)。通过考虑热门物品或者热门用户的影响,设置权重指标,将热门物品和热门用户的影响降到最低(IIF,IUF),从而提高覆盖率,解决长尾问题。通过引入矩阵分解(MF),相当于对用户进行了分类,或者对物品进行了分类,一方面对计算进行了优化,一方面也提高了系统数据泛化的特性。隐语义模型,也是通过矩阵分解,探究隐藏关系,分解的维度可以通过梯度下降法求得。图模型,通过图的天然特性,即节点与节原创 2021-08-11 19:33:25 · 423 阅读 · 0 评论 -
矩阵分解实现个性化推荐算法实践
利用MF(矩阵分解)将用户和物品编码成8维度的向量,从而可用于后续相似度计算,从而产生推荐结果。step1:数据的预处理(读取rating.dat的数据,划分测试集和训练集,并转换成tensorflow能直接运用的格式)#读取数据data_file = './ratings.dat'lines = open(data_file)#打印前十行for i,line in enumerate(lines): if i>10: break; print(line)原创 2021-08-11 19:05:39 · 573 阅读 · 0 评论