推荐系统
文章平均质量分 53
推荐系统相关代码
呆萌的代Ma
这个作者很懒,什么都没留下…
展开
-
推荐系统学习(三)SVD奇异值分解做推荐与python代码
文章目录SVD简述python代码实现SVD简述在推荐系统中,使用SVD推荐的思路是:对原有数据的大矩阵使用SVD矩阵分解,将原有矩阵A拆分成 U,S,V三个矩阵,其中U与V都是正交矩阵,并且(A 约等于 U * S * V的转置)分解原始大矩阵再复原,有些位置在原有的数据中是0的部分就被其他数值填充了,这些数我们就认为是预期的评分依次遍历推荐分值最高的即可当然矩阵分解的思路有很多,可以参考:基于矩阵分解的推荐算法python代码实现参考:SVD理论以及Python实现:https:/原创 2021-08-19 16:34:21 · 1342 阅读 · 0 评论 -
推荐系统学习(四)推荐系统学习资料(补充中...)
会议ACM SIGKDD数据挖掘及知识发现会议:http://www.kdd.org/ACM SIGIR国际计算机协会信息检索大会(SIGIR, Special Interest Group on Information Retrieval):http://www.acm.org/sigir/ACM RecSys(The ACM Conference Series on Recommender Systems):http://recsys.acm.org/ICDM(Industria原创 2021-08-19 16:04:41 · 209 阅读 · 0 评论 -
推荐系统学习(二)基于用户/物品的协同过滤算法(User-CF / Item-CF)
User-CF思想是根据用户相似度推荐商品,计算步骤如下:步骤1. 得到用户矩阵得到n表示用户,m为商品的评分大矩阵,矩阵的值可以是用户对物品的评价,是否收藏等数据步骤2. 得到计算预估评分的参考用户每个用户的购买数据相当于用户的向量,用皮尔逊相关系数计算待推荐用户与其他所有用户之间的相似度,找出topN的相似用户或所有相关系数>0的用户,作为预估未购买的商品评分的参考用户。步骤3. 计算未购买的商品的预估评分根据相似用户的评分计算出推荐用户没有购买过的商品的预估评分,一般会用相关系数作原创 2021-08-09 09:51:48 · 463 阅读 · 0 评论 -
推荐系统学习(一)推荐系统分类与基本流程
文章目录推荐系统框架推荐系统分类:推荐系统基本流程推荐系统框架推荐系统分类:基于统计学个性化推荐:一切即标签基于推荐原则的分类基于相似度基于知识基于模型基于数据源的分类基于用户画像的推荐基于内容(content based, CB)的推荐基于协同过滤(collaborative filtering, CF)的推荐基于近邻基于用户的协同过滤(User-CF)基于物品的协同过滤(Item-CF)隐语义模型(Latent Factor Model, LFM原创 2021-08-07 19:51:37 · 504 阅读 · 0 评论 -
关联分析算法(二)——FP-growth算法与python用法
FP-growth算法思想与Apriori类似,这里使用FP-tree (frequent pattern tree) 数据结构来存储频繁项集,在样本量多的情况下比Apriori算法更加快速高效。案例使用mlxtend工具包:import pandas as pdfrom mlxtend.preprocessing import TransactionEncoder # 传入模型的数据需要满足特定的格式,可以用这种方法来转换为bool值,也可以用函数转换为0、1from mlxtend.freq原创 2021-05-21 09:14:38 · 2031 阅读 · 0 评论 -
关联分析算法(一)——Apriori(先验算法)
算法思路简介Apriori根据原始的销售表:第一步:列出所有元素,所有元素独立组成一个集合,计算每个集合的支持度。然后根据最小支持度的阈值剔除掉小的支持度的集合。第二步:每个集合都增加一个与原有集合中没有的元素,构成多个新的集合,计算每个集合的支持度。然后根据最小支持度的阈值剔除掉小的支持度的集合。依次循环,直到所有计算支持度的集合都被阈值卡掉。详细的可以参考这个比较形象的描述:Apriori Algorithm案例使用mlxtend计算Apriori:github地址:https://原创 2021-05-21 08:39:37 · 954 阅读 · 0 评论