在做毕业设计的时候,导师推荐了篇经典的关于推荐多样性重排的算法的论文,所以在这里记录一下学习的历程。本文介绍了推荐系统中MMR的详细实现,和其中用到的余弦相似度计算的算法。
MMR算法原理
Maximal Marginal Relevance (MMR) 算法可以减少排序结果的冗余,同时又能保证结果的相关性。最早应用于文本摘要提取和信息检索等领域。在推荐场景下体现在,给用户推荐相关商品的同时,保证推荐结果的多样性,即排序结果存在着相关性与多样性的权衡。
Python 实现
def mmr(items, itemScore, simArr, lambda1):
index = []
order = np.argsort(itemScore).tolist()#(0------4)[1,3,2,4,0]
index.append(order[-1])#[0]
order.remove(order[-1])
cosList = []
rList = []
while len(index) != len(items):
for i in order:#[1,3,2,4] [3,2,4] [3,4]
now_values_tonser = simArr[i]
cosList = []
for j in index:#[0] [0,1] [0,1,2]
re_tonser = simArr[j]