![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
推荐系统
Tobefrank
这个作者很懒,什么都没留下…
展开
-
推荐系统概述
1 推荐系统的分类 基于应用领域分类:电子商务推荐,社交好友推荐,搜索引擎推荐,信息内容推荐 基于设计思想:基于协同过滤的推荐,基于内容的推荐,基于知识的推荐,混合推荐 基于使用何种数据:基于用户行为数据的推荐,基于用户标签数据的推荐,基于社交网络数据,基于上下文信息(时间上下文,地点上下文等等) 2 常见评测标准 http://blog.csdn.net/u0112转载 2016-12-27 20:23:15 · 1164 阅读 · 0 评论 -
协同过滤算法
1,,实现User-based协同过滤算法: 数据格式:【用户id】,【项目id】,【评分】 2,实现Item-based协同过滤算法 3,基于奇异值分解实现Model-based协同过滤算法 4,基于Spark的MLlib实现协同过滤算法 4.1 MLlib的推荐算法工具转载 2016-12-27 20:24:52 · 615 阅读 · 0 评论 -
LFM和基于邻域(如UserCF、ItemCF)的方法的比较( 推荐系统)
LFM是一种基于机器学习的方法,具有比较好的理论基础。这个方法和基于邻域的方法(比如UserCF、ItemCF)相比,各有优缺点。下面将从不同的方面对比LFM和基于邻域的方法。 理论基础 LFM具有比较好的理论基础,他是一种学习方法,通过优化一个设定的指标建立最优的模型。基于邻域的方法更多是一种基于统计的方法,并没有学习过程。 离线计算的空间复杂度转载 2016-12-27 20:26:28 · 776 阅读 · 0 评论 -
推荐系统_推荐系统的常用评测指标
为了评估推荐算法的好坏需要各方面的评估指标。 对用户u推荐N个物品(记为R(u)),令用户u在测试集上喜欢的物品集合为T(u) 准确率 准确率就是最终的推荐列表中有多少是推荐对了的。描述最终的推荐列表中有多少比例是发生过的用户-物品评分记录。 召回率 召回率就是推荐对了的占全集的多少。描述有多少比例的用户-物品评分记录包转载 2016-12-27 20:27:23 · 475 阅读 · 0 评论 -
推荐系统_基于内容的推荐
关于推荐系统的算法大概可以分类两类: 一类就是基于用户或者基于商品的协同过滤,我们主要是通过用户行为这个海量数据来挖掘出用户在品味上的一些相似程度,或者说 商品的相似程度,然后我们在利用相似性来进行推荐。 另一类就是更早期的,而且更加容易理解的推荐,即基于内容的推荐,其主要思想就是:我们首先给商品划分一些属性, 你也可以称为分类,比如说,对汽车转载 2016-12-27 20:28:32 · 1298 阅读 · 0 评论 -
推荐系统——关联规则
购物篮分析(关联规则挖掘,频繁规则挖掘) 名词解释: 挖掘数据集(事务数据集,交易数据集):购物篮数据 频繁模式:频繁地出现在数据集中的模式,例如项集,子结构,子序列等 挖掘目标:频繁模式,频繁项集,关联规则等 关联规则:牛奶=》鸡蛋【支持度=2%,置信度=60%】 支持度:分析中的全部事物的2%同时购买了牛奶和鸡蛋 置信度:购买了牛奶的筒子有60%也购买转载 2016-12-27 20:29:57 · 4370 阅读 · 0 评论 -
推荐系统之LFM
推荐系统之LFM 这里我想给大家介绍另外一种推荐系统,这种算法叫做潜在因子(Latent Factor)算法。这种算法是在NetFlix(没错,就是用大数据捧火《纸牌屋》的那家公司)的推荐算法竞赛中获奖的算法,最早被应用于电影推荐中。这种算法在实际应用中比现在排名第一的 @邰原朗 所介绍的算法误差(RMSE)会小不少,效率更高。我下面仅利用基础的矩阵知识来介绍下这种算法。转载 2016-12-28 21:23:52 · 383 阅读 · 0 评论 -
使用LFM(Latent factor model)隐语义模型进行Top-N推荐
最近在拜读项亮博士的《推荐系统实践》,系统的学习一下推荐系统的相关知识。今天学习了其中的隐语义模型在Top-N推荐中的应用,在此做一个总结。 隐语义模型LFM和LSI,LDA,Topic Model其实都属于隐含语义分析技术,是一类概念,他们在本质上是相通的,都是找出潜在的主题或分类。这些技术一开始都是在文本挖掘领域中提出来的,近些年它们也被不断应用到其他领域中,并得到了不错的应用效果。比如转载 2016-12-28 21:27:51 · 403 阅读 · 0 评论 -
PersonalRank实现基于图的推荐
今天我们讲一个下怎么使用随机游走算法PersonalRank实现基于图的推荐。 在推荐系统中,用户行为数据可以表示成图的形式,具体来说是二部图。用户的行为数据集由一个个(u,i)二元组组成,表示为用户u对物品i产生过行为。本文中我们认为用户对他产生过行为的物品的兴趣度是一样的,也就是我们只考虑“感兴趣”OR“不感兴趣”。假设有下图所示的行为数据集。 其中users集U={A转载 2016-12-29 17:08:22 · 768 阅读 · 1 评论