1.推荐算法
1.1.协同过滤
协同过滤是目前应用最广泛的推荐算法,它仅仅通过了解用户与物品之间的关系进行推荐,而根本不会考虑到物品本身的属性。
可分成两类:
1、基于用户(user-based)的协同过滤
2、基于商品(item-based)的协同过滤
1.1.1.基于用户的协同过滤
基本思想:
基于用户对物品的偏好找到邻居用户(相似用户),然后将邻居用户(相似用户)喜欢的东西推荐给当前用户。
计算方法:
将一个用户对所有物品的偏好作为一个向量,计算用户之间的相似度。找到邻居后,根据邻居的相似度权重以及他们对物品的偏好,预测当前用户未涉及的物品,计算得到一个排序的物品列表作为推荐。
相似度即为两个向量之间的距离。距离越小相似度越大。
例子:
如下图,用户A与用户C相似,那么就会给用户A推荐“用户A未涉及但是用户C喜欢的东西”,也就是物品D了。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2skNr3nb-1576912472052)(http://www.shadowingszy.top/ServerTest/Assets/01.png)]
缺点:
基于用户的协同过滤难以形成有意义的邻居集合。
在很多时候,很多用户两两之间只有很少几个共同评分,也就是用户之间的重合度并不高。而仅有的共同打了分的物品,往往是一些很常见的物品(如票房大片,如生活必需品)。
再者&