推薦系統 - 初識 01筆記鏈結
基本原理：根據所有使用者對物品的偏好，發現與當前使用者口味和偏好相似的使用者群，並推薦近鄰所偏好的物品。使用者a，對商品a,b,e的評價都很高，但是對c,d的評價很低，使用者b，對商品a,e的評價很高，但是對c,d評價很低。那麼系統就可能給使用者b推薦商品b。因為a和b的行為相似。採用knn的演算法；基於k個鄰居的歷史偏好資訊，得到偏好相同的使用者群，並為使用者進行推薦。
基於物品的協同過濾推薦的基本原理與基於使用者的類似，只是使用所有使用者對物品的偏好，發現物品與物品之間的相似度，然後根據使用者的歷史偏好資訊，將類似的物品推薦給使用者。根據系統中使用者的數量和物品的數量，一般來講物品的個數是遠遠小於使用者的數量的，而且物品的個數和相似度相對筆記穩定，同時基於物品的機制比基於使用者的實時性更好一些。因此主流的策略一般採用基於物品。
但是在某些系統中，由於物品更新換代的速度比較快，如新聞系統，那麼物品的相似度就不那麼穩定，此時基於使用者的效果可能更好。
優點：① 優點肯定就是不需要我們對特徵進行嚴格的處理，即我們給這個推薦演算法的特徵不要求是需要演算法自身理解的。（只需要通過k近鄰求出使用者使用者或物品物品之間的相似度）
②這種演算法推薦的商品具有多樣化，它可以發現使用者潛在的興趣偏好。而不會只推薦給使用者他平時喜歡的東西，具有探索性。
存在的問題：
① 首先最主要的問題就是，它不能冷啟動。也就是他是基於歷史資料的，對新系統或者新物品新使用者的加入，很不友好。
② 推薦的效果依賴歷史資料的多少以及準確性。
③ 對歷史資料敏感，歷史資料出錯對推薦的準確率影響很大。
④ 對特殊品味的使用者效果不佳。
基本思想：在有顯性特徵時，（比如使用者標籤和物品標籤都存在）我們可以直接匹配做出推薦；但是在沒有顯性特徵時，我們可以根據已有的偏好資料，去發掘出隱藏的特徵，這就需要用到隱語義模型（lfm）
基於模型的協同過濾推薦，就是基於樣本的使用者偏好資訊，訓練乙個推薦模型，然後根據實時使用者喜歡的資訊進行**新物品的得分，得分高的進行推薦。實際上，基於近鄰相當於對資料進行分類，基於模型相當於對資料進行回歸（**）。
（1）隱語義模型（lfm）：
用隱語義模型來進行協同過濾的目標：本質就是利用機器學習本身模型去分析特徵資訊，然後**結果。這中間，機器學習所使用到的隱藏特徵是無法直接用語言接收描述的。隱藏稱為隱語義模型。
基本思想：對特徵進行降維。
通過矩陣分解進行降維分析：
（2）矩陣因子分解
簡單來說，我們的資料樣本就是乙個使用者物品評分表。即每個使用者都每類物品的評分，有則填，沒有則不填。就等價於乙個二維矩陣。
那麼如果我們可以將這個評分矩陣r分解成使用者特徵矩陣q 和 物品特徵矩陣p 的乘積。那麼我們只需要有使用者特徵矩陣q和物品特徵矩陣p就能夠**得到整個評分矩陣。（包括沒有填的值）
而我們就是希望這個**出來的評分矩陣要和真實的評分矩陣一樣。
所以經過矩陣因子分解之後，我們的問題就轉化成乙個標準的優化問題，即要求解p、q，使得目標損失函式取最小值。
然後通過設定損失函式，即**的矩陣和真實評分矩陣作誤差。再通過模型求解演算法求得最優解。使得損失函式取最小。
（3）模型求解
① 交替最小二乘法（als）
基本思想就是，由於兩個矩陣p和q都未知，且通過矩陣乘法耦合在一起，為了使它們解耦，可以先固定q，把p當作變數，通過損失函式最小化求p，這就是乙個經典的最小二乘法；再反過來固定求得的p，把q當作變數，求解出q：如此交替執行，直到誤差滿足閾值條件或達到迭代上限。② 隨機梯度下降法
協同過濾推薦演算法 推薦演算法 基於協同過濾CF
前邊我們已經介紹了推薦演算法裡的基於內容的推薦演算法cb，今天我們來介紹一下基於協同的推薦演算法collaboration filtering cf 協同過濾是乙個利用群體智慧型的乙個演算法，舉乙個簡單的例子，如果放假了你想去北京玩幾天，但是不知道北京都有哪些好玩的，你會怎麼做？你可能會上網查一下的...
推薦系統 協同過濾
這是我學習推薦系統的筆記，主要參考的是51cto的一系列文章和人們郵電出版的 推薦系統實踐 首先說一下什麼是協同過濾。假如某寶要向你推薦一些商品，當然這些商品不是隨隨便便推薦的，推給你了就是引誘你去買，咱能賺到錢。那麼什麼樣的商品你有可能去買呢？系統或演算法怎麼找到這些商品呢？協同過濾就是幹這個的。...
推薦系統 基於物品的協同過濾推薦 入門
而基於物品的協同過濾則是找出最相似的物品，再結合使用者的評價來給出推薦結果。基於使用者的協同過濾又稱為記憶體型協同過濾，因為我們需要將所有的評價資料都儲存在記憶體中來進行推薦。基於物品的協同過濾也稱為基於模型的協同過濾，因為我們不需要儲存所有的評價資料，而是通過構建乙個物品相似度模型來做推薦。1.修...