王大宝的CD

已经很长一段时间没写过东西了，一方面确实是乱七八糟的事情比较多，另一方面也确实是懒，所以趁着现在实验室没那么多活儿要干了，想要写写博客梳理梳理自己学习的一些东西。至于为什么会选择推荐系统，你看看我们这种转行狗的学习路径就明白了。作为一名名字听起来很吓人的理工科专业学生，coding我们是比不过那些科班的同学的，唯一可能也不一定有的优势就是咱们的数理基础相对会好一点（也不一定），所以肯定会选择算...

今天我们来聊一聊基于物品的协同过滤即Item-based CF方法。有了上一篇的经验，你可能很容易就想到Item-based CF就是通过计算物品之间的相似度，然后用户曾与那些商品发生过交互，给他推荐与这些商品最接近的东西给他。这样做有什么好处呢？可解释性！虽然同样是计算相似度，但User-based只能说某个人看起来和你兴趣一致，他喜欢过这个所以我给你推荐这个；而Item-baed则是你曾经看过...

基于邻域的算法应该算是推荐系统中最基础的算法之一了，主要包括基于用户的协同过滤和基于物品的协同过滤，我觉得他们是最符合直觉的推荐算法了。你想想看，如果给你若干人的行为数据，你怎么去做推荐，一个就是找到和他最相似的用户，因为他们臭味相投，所以看看这些用户都看了些啥，然后给他推荐这些用户看过而待推荐用户没看过的商品；另一个就是找到和用户历史放生交互的商品最相似的商品，用户以前喜欢过它，也许会喜欢和它相...

今天我们来聊一聊LFM（Latent Factor Model）的故事，这也算是我们在推荐系统里第一个用到的学习算法了吧，前面讲的两个协同过滤都是基于统计来的。协同过滤的思路就是基于用户和物品的交互行为，要么计算用户间的相似度，推荐相似度高的用户喜欢的物品，因为这两个用户可能兴趣相投；要么就是计算物品间的相似度，推荐和历史记录相似度很高的物品，因为他们可能属于同一类别的商品。我们做决策的基础都...