推荐系统
文章平均质量分 59
wjmishuai
这个作者很懒,什么都没留下…
展开
-
推荐系统架构
从底向上依次介绍推荐系统各层的逻辑及涉及到的常用算法基础层:1.数据存储平台:主要涉及数据为用户信息、物品信息、用户行为信息等。2.数据运算平台:根据实际需求设计。3.数据传输平台:根据实际需求设计。模型层:1.用户画像模型2.物品画像模型3.用户关系挖掘4.物品关系挖掘5.用户物品关系挖掘6.趋势预测模型算法层:1.用户显示评分矩阵;用户行原创 2017-05-04 18:24:58 · 1869 阅读 · 0 评论 -
基于用户的协同过滤推荐
思想:利用已有用户群过去的行为或意见预测当前用户最可能喜欢那些东西或对哪些东西感兴趣。资源:用户物品评分矩阵(填空,即对用户没有过评分的物品进行预测打分)算法目标:寻找N个与当前用户相似的用户,将这K个用户喜欢的物品并且是当前用户未知的物品,推荐给当前用户。用户相似度评测:常采用改进的余弦相似度进行测量,计算公式:P={p1,p2,...,pm}表示物品集,U=原创 2017-05-04 18:57:41 · 908 阅读 · 0 评论 -
基于物品的协同过滤推荐
思想:利用物品间的相似度,给用户推荐与用户过去行为物品相似的物品。资源:用户物品评分矩阵(填空,即对用户没有过评分的物品进行预测打分)算法目标:寻找与当前用户喜欢的物品相似的K个物品,将其推荐给当前用户物品相似度评测:改进的余弦相似度U={u1,u2,...,un}表示用户集,用R表示n*m的评分矩阵,rij代表评分项,表示用户i对物品j的评分。表示用户评分平均值,目的原创 2017-05-04 19:23:01 · 896 阅读 · 0 评论 -
SVD与SVD++
基于潜在(隐藏)因子的推荐,常采用SVD或改进的SVD++奇异值分解(SVD):考虑CF中最为常见的用户给电影评分的场景,我们需要一个数学模型来模拟用户给电影打分的场景,比如对评分进行预测。将评分矩阵U看作是两个矩阵的乘积:其中,uxy 可以看作是user x对电影的隐藏特质y的热衷程度,而iyz可以看作是特质 y 在电影 z 中的体现程度。那么上述模型的评分预原创 2017-05-05 10:44:39 · 26622 阅读 · 4 评论 -
基于内容的推荐
思想:根据物品的属性和用户的特殊偏好,直观的选择可推荐物品。比如,《哈利.波特》是一本科幻小说;用户爱丽丝很喜欢科幻小说,系统就会直接推荐一本新出版的《哈利.波特》给爱丽丝。需求:1.物品的特征描述(标签)2.描述了用户(历史)兴趣的用户记录(标签)首先,我们需要根据实际应用场景构建自己的标签库标签库来源:已有内容(物品,以下相同)的标签;网络抓取流行标签;对运营的内容原创 2017-05-05 10:18:52 · 4771 阅读 · 0 评论