2.5.1 基礎演算法
程式實現
##正樣本：使用者喜歡的物品；
##負樣本：使用者不感興趣的物品。
import random
items = # 使用者已經有過行為的物品的集合，即使用者喜歡的物品列表，即正樣本
ret = dict() # 用來儲存正樣本和負樣本，即使用者喜歡的和不感興趣的物品都將儲存在這裡
for i in items.keys():
ret.update() # 將使用者已經有過行為的物品，新增到ret字典中，並標註成正樣本
items_pool = ['a','b','c','d','e','f','g','h','i']
n = 0 # 計數，計算已經找到的負樣本的數目
for i in range(0,len(items)*3): # 當然，也有可能迴圈len(items)*3次後，找到的負樣本還是不如正樣本多，但這畢竟是小概率事件
item = items_pool[random.randint(1,len(items_pool) - 1)] # items_pool 是候選物品的列表，包括正樣本和負樣本。（注意！但不是所有物品，因為除了正樣本後，不止有負樣本，還有熱門物品中，使用者不感興趣的物品）。 換言之，items_pool中不包括熱門物品中，使用者不感興趣的物品
if item in ret.keys():
continue
ret.update()
n += 1
if n >= len(items):
break
for item,ret in ret.items():
print(item,'correspond to ',ret)
a correspond to 1
b correspond to 1
c correspond to 1
f correspond to 0
i correspond to 0
d correspond to 0
推薦系統 隱語義模型
繼續學習推薦系統，還是推薦演算法的部分。因為我的學習是圍繞 推薦系統實踐 展開，這邊書是12年寫成的，所以一開始都是那年比較流行的演算法模型，裡面總共講了三個演算法，乙個是協同過濾，乙個是隱語義模型，乙個圖模型。圖模型我覺得現在實際上用的比較少，所以我就只看了一下，這裡不寫出來了。後面我會研究一下深...
推薦系統 02 隱語義模型LFM
隱語義模型 lfm 圖形解釋 lfm的前生今世 隱語義模型的適用性 關於訓練集 基本概念 那麼如何產生負樣本呢？負樣本的選擇 小結 如何計算權重 負樣本取樣過程 如何求解c的極小值 演算法原理 原函式 deffun x,y return x y 2 x x 2 x y y y 偏x導 defpxfu...
推薦系統 5 隱語義模型 LFM
2019 03 02 14 27 17 對於usercf，我們可以先計算和目標使用者興趣相似的使用者，之後再根據計算出來的使用者喜歡的物品給目標使用者推薦物品。而itemcf，我們可以根據目標使用者喜歡的物品，尋找和這些物品相似的物品，再推薦給使用者。我們還有一種方法，先對所有的物品進行分類，再根據...