基于内容的推荐算法
基于内容的推荐算法的本质是对内容进行分析,建立特征。
一般而言都是对物品进行有关内容的分类,例如电影、书籍、商品等,通过提取这些物品的内容属性或历史评分也或是操作记录,计算不同用户对不同内容属性的爱好程度,在根据这些爱好,推荐其他相同属性的物品。
1.基于内容的推荐算法的基本流程
其内容推荐算法氛围以下4个步骤
- 特征提取
- 偏好计算
- 内容召回
- 物品排序
2.实际案例
为了更好的理解步骤,才用B站大神的实际案例一步一步分析。
盗图源:蚂蚁学Python
https://www.bilibili.com/video/BV17E411B7vr?spm_id_from=333.337.search-card.all.click
3.余弦相似度
4.余弦相似度的代码实现
import math
import numpy
from numpy import linalg
# 方法1
def cos_similar_compute(u_k,w_t):
if(len(u_k) != len(w_t)):
assert('用户数据与物品数据不等!')
if(len(u_k) == 0):
assert('用户数据为空!')
i = 0
Score1 = 0
Score2 = 0
Score3 = 0
while(i < len(u_k)):
Score1 = Score1 + u_k[i] * w_t[i]
Score2 = Score2 + u_k[i] * w_t[i]
Score3 = Score3 + u_k[i] * w_t[i]
i += 1
if(Score3 == 0 or Score2 == 0):
assert('用户或者物品数据为空!')
return Score1 * 1.0 / (math.sqrt(Score2)*math.sqrt(Score3))
# 方法2 直接调包实现
def cos_sim(u_k,w_t):
num = float(u_k,w_t)
denom = linalg.norm(u_k) * linalg.norm(w_t)
return 0.5 + 0.5 * (num/denom)
这里方法2调用的numpy.linalg其实是一个计算范数的方法,默认是二范数
优点
- 1.物品没有冷启动问题,因为物品的内容不受用户数据影响,同时推荐出的物品不会存在过于热门的问题
- 2.能为具有特殊偏好的用户进行推荐
- 3.原理简单,易于定位
缺点
- 1.很难打标签
- 2.局限历史数据,无法挖掘潜在兴趣
- 3.新用户如果没有行为,这无法推荐