- 博客(8)
- 收藏
- 关注
RSS订阅转载 推荐算法--基于物品的协同过滤算法
ItemCF：ItemCollaborationFilter，基于物品的协同过滤 算法核心思想：给用户推荐那些和他们之前喜欢的物品相似的物品。比如，用户A之前买过《数据挖掘导论》，该算法会根据此行为给你推荐《机器学习》，但是ItemCF算法并不利用物品的内容属性计算物品之间的相似度，它主要通过分析用户的行为记录计算物品之间的相似度。==>该算法认为，物品A和物品B具有很大的相...
2018-07-22 15:10:48
516
转载 基于用户的协同过滤推荐算法原理和实现
在推荐系统众多方法中，基于用户的协同过滤推荐算法是最早诞生的，原理也较为简单。该算法1992年提出并用于邮件过滤系统，两年后1994年被 GroupLens 用于新闻过滤。一直到2000年，该算法都是推荐系统领域最著名的算法。 本文简单介绍基于用户的协同过滤算法思想以及原理，最后基于该算法实现园友的推荐，即根据你关注的人，为你推荐博客园中其他你有可能感兴趣的人。基本思想 俗话说...
2018-07-15 23:49:36
422
转载 推荐算法详解1
推荐算法 算法是什么？我们可以把它简化为一个函数。函数接受若干个参数，输出一个返回值。 算法如上图，输入参数是用户和item的各种属性和特征，包括年龄、性别、地域、商品的类别、发布时间等等。经过推荐算法处理后，返回一个按照用户喜好度排序的item列表。 推荐算法大致可以分为以下几类[1]：基于流行度的算法协同过滤算法基于内容的算法基于模型的算法混合算法 2.1 基于流行度的算法 ...
2018-07-15 15:15:37
480
转载 推荐系统架构
本文从互联网收集并整理了推荐系统的架构，其中包括一些大公司的推荐系统框架（数据流存储、计算、模型应用），可以参考这些资料，取长补短，最后根据自己的业务需求，技术选型来设计相应的框架。后续持续更新并收集。。。 图1 界面UI那一块包含3块东西：1) 通过一定方式展示推荐物品(物品标题、缩略图、简介等)；2) 给的推荐理由；3) 数据反馈改进个性化推荐；关于用户数...
2018-07-14 15:24:12
424
转载 4个方面总结个性化推荐系统（上）
现在的人们面对信息过载问题日益严重，好的个性化推荐将能够很好的提升用户体验，提高用户使用产品完成任务的效率，更好的留住用户，进一步扩大产品的盈利。 对于一些电商类的产品，个性化推荐也能帮助减少马太效应和长尾效应的影响，使商品的利用率更高，盈利增长。马太效应：产品中热门的东西会被更多人看到，热门的东西会变得更加热门，而冷门的东西更加冷门。长尾理论：某些条件下，需求和销量...
2018-07-14 15:19:42
3519
转载 4个方面总结个性化推荐系统（下）
二、推荐系统的冷启动问题推荐系统的冷启动问题指的是，当推荐系统刚部署后，没有用户行为时或物品数据时，推荐系统并不能根据用户行为数据给用户推荐物品。一般分为用户冷启动、物品冷启动和系统冷启动。通常有一些办法可以缓和冷启动问题1.利用用户注册信息推荐：即获取用户的注册信息，然后对用户分类，给用户推荐他所属分类中可能感兴趣的物品。 将关联的查询结果按照一个权重相加，利用的用户信息越多，就能越精准地匹配用...
2018-07-14 15:02:51
2270
转载 推荐系统中相似度计算2
传统的推荐算法（如协同过滤、基于物品的推荐等）采用的相似度计算公式主要有：余弦夹角、欧氏距离、杰卡德系数和皮尔森相关系数等，那么这些方法具体有哪些差异，在推荐算法中该如何选择，下面将着重基于这两个方面进行分析说明。 1）余弦夹角 和 欧氏距离 在向量空间中，任意两点（设为A、B）间的关系可通过余弦夹角和欧式距离来衡量，其中余弦夹角衡量的是A和B在空间方向上的差异，欧式距离是A和B在空间位置上的差异...
2018-07-14 14:39:41
2536
转载 协同过滤中相似度矩阵的计算
对用户的行为进行分析得到用户的偏好后，可以根据用户的偏好计算相似用户和物品，然后可以基于相似用户或物品进行推荐。这就是协同过滤中的两个分支了，即基于用户的协同过滤和基于物品的协同过滤。 关于相似度的计算，现有的几种方法都是基于向量(Vector)的，其实也就是计算两个向量的距离，距离越近相似度越大。 在推荐场景中，在用户-物品偏好的二维矩阵中，我们可以将一个用户对所有物品的偏好...
2018-07-14 14:31:41
12308
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人