標籤（空格分隔）： 演算法
基於內容的推薦
基於知識的推薦
混合推薦方法
主要思想:給定乙個評分資料集和當前(活躍)使用者的id作為輸入,找出與當前使用者過去有相似偏好的其它使用者,這些使用者被稱為對等使用者或最近鄰.
物品1物品2
物品3物品4
物品5alice53
44?使用者131
233使用者243
435
找到最近鄰從而**alice對物品5的喜好.
主要思想:利用物品間相似度,而不是使用者間相似度來計算**值.在實際問題中,使用者只會對少量的物品進行評分,會導致矩陣很稀疏,這時可利用使用者的個人資訊來推薦,比如年齡,性別,職業,教育程度等.
原理:將給定矩陣m分解成3個矩陣的乘積,其中u和v分別稱為左,右奇異向量,σ對角線上的值稱為奇異值. m=uσvt
關聯規則挖掘是一種在大規模交易中識別類似規則關係模式的通用技術.也就是尿布與啤酒,可以使用乙個演算法自動找出這些規則,所需資料是乙個矩陣(若購買了則值為1).
物品1物品2
alice10
使用者21
1
使用貝葉斯分類器,將**問題看做分類問題.
基於」熱門度差異」,也就是對使用者來說物品相互之間的評分差異.
物品1物品5
alice2?
使用者112
p(alice,物品5)=2+(2-1)=3
人們利用這些差值的平均值來**
組合使用基於模型和基於記憶的技術
基於內容推薦系統的一般工作原理是,評估使用者還沒看到的物品與當前使用者過去喜歡的物品的相似度.
它的主要思想是,能夠從文件內容本身或沒有限制的文字描述中自動生成一列」特徵」的列表然後用乙個布林向量來描述文件,0代表該詞沒出現,1代表該詞出現,但這向量一般很大,因此可以通過停用詞去除等手段進行精簡.
如果說協同過濾中物品選擇問題可以描述成」推薦相似使用者喜歡的物品「,基於內容推薦通常描述成」推薦與過去喜歡的物品相似的物品」遇見未見物品d基於的想法是,讓k個最相似的物品給n個候選物品」投票」,比如,如果k=5,當前使用者喜歡其中4個最相似的物品,系統可能會猜測d也被喜歡的概率相對很高.
即利用樸素貝葉斯法,對基於布林型特徵向量進行學習和分類
文件編號
recommender
intelligent
learning
school
label11
1101
2001
1031
1001
利用線性分類區,如svm來進行分類(喜歡,不喜歡)
基於知識的推薦系統不需要評分資料就能推薦,因此也就不存在啟動問題.使用者必須指定需求給出解決方案.比如:數位相機提供畫素,尺寸,**等本文為推薦系統,人民郵電出版社筆記 ↩
推薦系統實踐讀書筆記
最近大概複習了一下這本書，了解了較早的推薦系統的一些方法，記錄如下，以便大家對本書內容有個快速地了解。略去了第一張，詳細的 和細節可以參考其他部落格。需要關注的地方直接標出了頁碼。書裡面的 不是很完整，用來學習還可以。第八章介紹了一些svd等機器學習的演算法，在2020年的今天可以回顧一下。推薦系統...
《推薦系統實踐》讀書筆記4
為什麼要研究系統的時間特性？不同系統有不同的時效性，有的系統物品的時效性很短，熱起來，很快會冷下去 而有的系統物品的時效性長，具有比較長的生命週期。研究系統的時間特性，能增強系統的有效性推薦。比如推薦新聞，會主要選擇最近時間段發生的新聞事件進行推薦 而推薦旅遊景點，時效性較長 有些也有季節性變化 則...
《推薦系統實踐》讀書筆記 推薦系統十戒
1 確定你真的需要推薦系統。推薦系統只有在使用者遇到資訊過載時才有必要。若你的 物品不多，或使用者興趣單一，那麼也許並不需要推薦系統。所以不要糾結於推薦系統這個詞，不要為了推薦系統而做推薦系統，而要從使用者的角度出發，設計出能夠真正幫助使用者發現內容的系統。2 確定商業目標和使用者滿意度之間的關係。...