基於協同的推薦
今天看乙個cf，
• 優點
– 充分利用群體智慧型
– 推薦精度高於cb
– 利於挖掘隱含的相關性
• 缺點
– 推薦結果解釋性較差
– 對時效性強的item不適用
– 冷啟動問題
有兩種協同演算法：
• user-based cf
• item-based cf
什麼是 user-based cf ：
假設：乙個使用者點外賣點了披薩和義大利面，另外有乙個使用者也點了披薩和義大利面，其中乙個使用者多點了乙個可樂，這時候就將可樂同事推薦給這個使用者。也就是使用者喜歡那些跟他有共同喜好的使用者喜歡的東西。
• user-based cf
喜羊羊光頭強鐵甲小寶
火影忍者
海賊王a51
？22b
1525
5c2？
354d
4353
？使用者分別對五部影片進行打分，分值為1-5，？表示沒看過，通過ui*iu=uu得到下表ab
cda0.59
0.73
0.91
b0.59
0.97
0.77
c0.73
0.97
0.87
d0.91
0.77
0.87
怎樣從上面的矩陣變成下面的矩陣
比如給使用者c推薦 光頭強 r(c,光頭強)=0.97*5+0.87*3/(0.97+0.87)=4.05
item-based cf
--使用者喜歡跟他過去喜歡的物品相似的物品，比如，使用者過去曾經買過一台電腦，會給他推薦電腦包
item-based cf
喜羊羊光頭強鐵甲小寶
火影忍者
海賊王a51
？22b
1525
5c2？
354d
4353
？ 喜羊羊光頭強
鐵甲小寶
火影忍者
海賊王喜羊羊
0.57
0.99
0.69
0.63
光頭強0.57
0.80
0.99
0.98
鐵甲小寶
0.99
0.80
0.84
0.95
火影忍者
0.69
0.99
0.84
0.99
海賊王0.63
0.98
0.95
0.99
此時想給c推薦光頭強的概率為r(c,光頭強）=0.57*2+0.99*5+0.80*3+0.98*4/(0.57+0.99+0.80+0.98)=3.72
比較：
user-based
item-based
效能適合使用者較少，否則計算代價太大
適合物品數小於使用者數，物品太多，計算物品相似度矩陣代價太大
領域時效性強，使用者個性化興趣不太明顯的領域
物品豐富，使用者個性化興趣明顯的領域
實時性使用者有新行為，不一定造成推薦物品變化
使用者有新行為，推薦物品一定變化
冷啟動在新使用者對很少的物品產生行為後，不 能立即對他進行個性化推薦，因為使用者 相似度錶是每個一段時間離線計算的 新物品上線後一段時間，一旦有使用者對 物品產生行為，就可以將新物品推薦給 和對它產生行為的使用者興趣相似的其他 使用者
推薦理由很難提供令使用者信服的推薦解釋
利用使用者的歷史行為給使用者做出推薦解釋，可以令使用者比較信服
推薦系統架構 推薦系統（1） 業界推薦系統架構
1.1業界主流推薦系統架構 業界推薦系統通用架構 1.2使用者本身資料 1.3物品本身資料 1.4使用者行為資料 2.1基於離線訓練的推薦系統架構設計 常用演算法 邏輯回歸 logistics regression 梯度提公升決策樹 gbdt 和因式分解 fm 架構設計 2.2面向深度學習的推薦系統...
推薦系統（1） 推薦系統概述
推薦系統是主動從大量資訊中找到使用者可能感興趣的資訊的工具。推薦系統的核心問題是如何實現推薦個性化 如何向使用者推薦匹配度高的產品 商品 或專案,本質是通過一定的方式將使用者和專案聯絡起來。自從xerox palo alto研究中心於1992年研發出了基於協同過濾的實驗系統tapestry以來 主要...
推薦系統01推薦系統入門
這裡給出了三個主要原因 網際網路規模增長迅速，資料量資訊過載，人們很難獲得有效資訊 資料太多了，我看不過來 搜尋引擎的方式只能滿足有確切主題 知道如何描述的資訊，沒有辦法搜尋自己模糊不清的需求 人們需要個性化服務來減少不必要的工作。在這樣的背景下，推薦系統應運而生，推薦系統究竟實現了怎樣的工作，實際...