1.推荐算法之协同过滤算法
基于记忆的协同过滤主要分为:
相似统计方法得到具有相似兴趣爱好的用户
基于模型的协同过滤主要分为:
先用历史数据得到一个模型,在用此模型进行预测。基于模型的推荐广泛应用使用的技术包括神经网络技术、潜在语义LFM分析、贝叶斯网络
聚类算法模型、分类算法模型、回归算法模型、矩阵分解模型、神经网络模型
图模型、隐语义模型
2、关系矩阵相似度推荐
在推荐系统中,“关系”是用关系矩阵的形式来创建和存储下来的。以视频推荐为例,可以归纳为用户关系矩阵U-U矩阵、视频(物品)关系V-V矩阵和用户-视频(物品)关系U-V矩阵。
基于记忆的协同过滤主要是依赖于对U-U矩阵和V-V矩阵处理分析,通过相似度计算得到用户相似度和视频或物品相似度,并在此基础上形成推荐结果。
2.1U-U矩阵相似度推荐-Pearson
2.1.1.算法原理
2.1.2.算法流程
2.1.3.算法步骤
2.1.4.Pearson系数存在的问题
Pearson相关系数计算用户相似度很突出,但是仍然存在以下问题:、
- 不能应对不同用户可能对某一件广受欢迎的项目都给予高评分的情况
- 在遇到用户只对非常少的共同项目评分时出现预测不准的情况。
相关文献提出了改进的方案。
提高了对有争议的共同评价的相对重要性,降低了广受欢迎项目有共同评价的相对重要性。
2.1.5. 实现举例
2.2 V-V矩阵相似度推荐-cos
2.2.1 算法原理
2.2.2 算法流程
2.2.3 算法步骤
2.2.4 实现举例
2.3 U-V矩阵的相似度推荐
3 基于记忆的协同过滤算法
3.1 基于用户的CF
基于U-V矩阵构建基于用户和基于物品的协同过滤算法:
3.1.1 算法原理
3.1.2 算法流程
3.1.3 算法步骤
注意:UU矩阵的输出就是UserCF的输入矩阵
3.1.4 算法举例
3.1.5 算法适用场景
当用户数据量比物品数量大很多时候,采用基于用户的CF。原因如下:
3.2 基于物品的CF
3.2.1 算法原理
3.2.2算法流程
3.2.3 算法步骤
3.2.4 算法举例
3.2.5 适用场景
适用于物品数量变化小于用户数量变化的场景。
4 UserCF和ItemCF区别和联系