B站推荐算法

转载:https://www.huxiu.com/article/295672.html

B站对推荐的加权算法全在这里了。

视频是:硬币、收藏、弹幕、评论、播放量、点赞数、分享数、更新时间。

专栏文章是:硬币、收藏、评论、阅读量、点赞数、分享数、更新时间。

  1. 视频多了一个弹幕加成。

  2. 在2个内容里,分享都占到了最高权重,有0.6,这个可以理解,大部分平台都是分享权重无限高。能分享去外面吸引人来看的内容,到哪里都是爷爷。

  3. 播放量和阅读量真的是弟弟,两边都是最低权重,不过相比评论这些二次互动,权重低可以理解。

  4. 评论比收藏的权重要高,在我印象里,这个有点特殊。因为我知道的不少平台是收藏权重大于评论的。为什么呢?因为一般来说,很多人看见内容都会评论,但是只有感觉特别好的内容,才会收藏。

收藏权重高,意味着重视内容质量,更重视大家觉得好的干货。

评论权重高,则意味着注重互动,更重视能吸引大家讨论的内容。

  • 7
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
算法是解决特定问题或执行特定任务的一系列步骤或规则的有序集合。在计算机科学中,算法通常用来指导计算机执行特定的任务或解决问题。良好设计的算法能够有效地解决问题,并且在给定的输入下能够产生正确的输出。 常见的算法包括但不限于以下几种: 排序算法:排序算法是将一组数据按照一定的顺序排列的算法。常见的排序算法包括冒泡排序、插入排序、选择排序、快速排序、归并排序等。 搜索算法:搜索算法用于在数据集中查找特定元素的算法。常见的搜索算法包括线性搜索、二分搜索等。 图算法:图算法用于处理图结构的数据,如最短路径算法(如Dijkstra算法、Floyd-Warshall算法)、最小生成树算法(如Prim算法、Kruskal算法)等。 动态规划:动态规划是一种通过将问题分解成更小的子问题来解决复杂问题的算法。常见的动态规划问题包括背包问题、最长递增子序列、编辑距离等。 贪心算法:贪心算法是一种在每一步选择中都采取当前状态下最优决策的算法。常见的贪心算法包括最小生成树算法中的Prim算法、Dijkstra算法等。 字符串匹配算法:字符串匹配算法用于在一个字符串(文本)中查找一个子串(模式)的出现位置。常见的字符串匹配算法包括暴力匹配、KMP算法、Boyer-Moore算法等。 这些是计算机科学中常见的算法类型,每种算法都有不同的应用场景和解决问题的方法。在实际编程中,选择合适的算法对于提高程序效率和性能至关重要。
推荐算法是一种用于预测用户对特定项目的评分或偏好的算法。在Python中,可以使用不同的方法来实现推荐算法。其中一种常用的方法是基于皮尔逊相关系数的协同过滤算法。 皮尔逊相关系数是衡量两个变量之间线性相关程度的统计量。在推荐算法中,可以使用皮尔逊相关系数来计算用户之间或项目之间的相似度。通过计算用户之间的相似度,可以预测一个用户对某个项目的评分。 在Python中,可以使用以下代码来计算皮尔逊相关系数: ```python from math import sqrt def multipl(a,b): sumofab=0.0 for i in range(len(a)): temp=a[i]*b[i] sumofab =temp return sumofab def corrcoef(x,y): n=len(x) #求和 sum1=sum(x) sum2=sum(y) #求乘积之和 sumofxy=multipl(x,y) #求平方和 sumofx2 = sum([pow(i,2) for i in x]) sumofy2 = sum([pow(j,2) for j in y]) num=sumofxy-(float(sum1)*float(sum2)/n) #计算皮尔逊相关系数 den=sqrt((sumofx2-float(sum1**2)/n)*(sumofy2-float(sum2**2)/n)) return num/den x = [0,1,0,3] y = [0,1,1,1] print(corrcoef(x,y)) #0.471404520791 ``` 除了皮尔逊相关系数,还有其他推荐算法可以使用,例如基于产品的协同过滤算法。在Python中,可以使用以下代码来实现基于产品的协同过滤算法的预测: ```python def predict(rating, similarity, type = 'user'): if type == 'user': mean_user_rating = rating.mean(axis = 1) rating_diff = (rating - mean_user_rating[:,np.newaxis]) pred = mean_user_rating[:,np.newaxis] + similarity.dot(rating_diff) / np.array([np.abs(similarity).sum(axis=1)]).T elif type == 'item': pred = rating.dot(similarity) / np.array([np.abs(similarity).sum(axis=1)]) return pred item_prediction = predict(train_data_matrix, item_similarity, type = 'item') user_prediction = predict(train_data_matrix, user_similarity, type = 'user') ``` 以上是一些在Python中实现推荐算法的代码示例。根据具体的需求和数据集,可以选择适合的算法和方法来实现推荐系统。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值