Bigdata_推荐
文章平均质量分 68
KeinoJust
敷衍别人就是敷衍自己,如果对自己的输出尚且不认真,那么是没有人愿意停下脚步去欣赏的,你若盛开,蝴蝶自来~
展开
-
【第三节:零基础学习推荐系统系列之CF的发展】协同过滤是否适应所有环境?
适用于兴趣点不确定、分散的场景有很强大的社交属性,可以快速将身边的人看过的东西推荐给用户,即便这个用户之前并没有太多的关注该点,但是还是可以获取到。非常适用于新闻等热门事情。因为热门新闻大都没有单一兴趣点,内容较为广泛。而UserCF可以快速发现、追踪热点。适用于兴趣点稳定的场景比如用户在购买物品、观看电影等,他们的兴趣在一段时间内是固定的,便可以为用户推荐该Item的相似Item,在有限的时间内把握用户兴趣点,并为之提供相似服务。上图为4个Item的向量,可以大概看到,其实A和B和C之间的相似度并不是很高原创 2022-06-21 17:55:34 · 503 阅读 · 1 评论 -
【第二节:零基础学习推荐系统系列之ItemCF的初识】CF家族另外一名成员:ItemCF
由于UserCF的局限性和瓶颈,亚马逊、奈飞等公司基本不使用UserCF算法,而是采用了另外一种ItemCF,也叫基于物品的协同过滤。该算法和UserCF大体一致,也是先得到用户-物品矩阵,以用户为行,物品为列,可得到m*n的矩阵向量。物品i和物品j的相似度计算和上一篇文章描述的一致,最终可得到物品之间的相似度。因为物品数量较少,所以计算效率也得到了提升,最终可以得到一个n*n的矩阵,代表了每个物品与其他物品之间两两的相似度。①计算物品两两的之间的相似度,构建n*n维矩阵②通过日志分析得到用户对物品集的喜爱原创 2022-06-21 11:03:33 · 328 阅读 · 0 评论 -
【第一节:零基础学习推荐系统系列之UserCF的初识】到底什么是UserCF,到底是如何计算用户相似度的
在协同过滤中,用户相似度的计算是关键的一笔。物品-用户的共现矩阵中的行向量代表相应用户的用户向量,计算用户相似度就是计算两个用户行向量之前的相似度:衡量两个向量之间的夹角,夹角越小,两个用户越相似 sim(i,j)=cos(i,j)=i⋅j∣∣i∣∣⋅∣∣j∣∣ sim(\bold{i},\bold{j})= cos(\bold{i},\bold{j})=\frac{\bold{i}·\bold{j}}{||\bold{i}|| · ||\bold{j}||} sim(i,j)=cos(i,j)=∣∣i∣∣原创 2022-06-21 10:29:34 · 785 阅读 · 0 评论 -
请问,你了解推荐系统吗
你知道吗推荐系统:解决问题:系统环节:召回路径:推荐架构:通用技术架构: 推荐系统: 定义:根据用户的历史信息和行为,向用户推荐他感兴趣的内容 基于行为的协同过滤: ①当两种事物出现的频率很高时,那么大概率会进行捆绑推荐 --【啤酒和尿布】 ②当两个人是相似的时候,那么大概率会把B看过的事物推给A --【微信--他正在看】 基于内容相似的推荐: ①事物分类,大概率推荐相似度更高的事物 解决问题: 1、信息过载 【用户无法寻找物品】【系统无法精准推荐达到商业目标】 2、挖掘长尾【大量冷门物原创 2021-12-18 15:06:53 · 435 阅读 · 0 评论