协作型过滤算法及其在推荐系统的应用.pptVIP

协作型过滤算法及其在推荐系统的应用 推荐系统 什么是协同过滤 也可叫做“协作型过滤” 基于假设：为用户找到他感兴趣的内容的方法是，首先找到与他兴趣相似的用户，然后将这些用户感兴趣的内容推荐给此用户 协同过滤 基于用户（User-based） 1.随着用户数量的不断增多，在大数量级的用户范围内进行“最近邻有哪些信誉好的足球投注网站”会成为整个算法的瓶颈 基于物品（Item-based） 1.能够引起用户兴趣的项，必定与其之前评分高的项相似 2.它们之间的相似性要稳定很多，因此可以离线完成工作量最大的相似性计算步骤，从而大大降低了在线计算量 算法步骤 收集可以代表用户兴趣的信息 最近邻有哪些信誉好的足球投注网站，计算相关度 生成推荐结果 寻找相似用户 方法1：欧几里得距离 方法2：皮尔逊相似度 欧几里得距离 皮尔逊相关度 1.收集用户信息 2.寻找相似用户（欧几里得） 2.寻找相似用户（皮尔逊） 2.寻找相似用户 3.推荐物品 获得对每一件物品的预测分数 3.推荐物品 3.推荐物品3.2 获得对每一个物品的预测评分 1.使用sim_distance(欧几里得距离) 2.使用sim_pearson(皮尔逊相似度) 基于用户过滤还是基于物品过滤 数据稀疏问题 冷启动问题 推荐质量取决于历史数据集 Thanks 本文观看结束！！！ * * Amazon Inspired by your shopping trends Inspired by your browsing history Customers with similar searches purchased Viewed this also viewed Bought this also bought Ultimately buy after viewed this Customers who bought items in your cart also bought Products with similar tags Today’s recommendations for you New for you 无处不在，百花齐放，不断改进 Hunch local(LB) Search results Like Dislike Unique V.S popular Question based StumbleUpon Pro I like it Con Not for me Block website Spam/duplicate 4 4 P5 2 2 P4 5 3 P3 4 2 P2 4 3 P1 B A 2 3 5 4 4 2 P2 4 1 5 3 4 3 P1 F E D C B A ?fav={ ‘p1’:{‘A’:3,‘B’:4,‘C’:3,‘D’:5,‘E’:1,’F’:4}, p2:{A:2,B:4,C:4,D:5,E:3,’F’:2}, p3:{A:3,B:5,C:4,D:5,E:2,’F’:5}, p4:{A:2,B:2,C:3,D:4,E:3,’F’:1}, p5:{A:4,B:4,C:4,D:5, E:0,’F’:0} } 依次获得p5与p1、p2、p3、p4之间的相关度 依次获得p5与p1、p2、p3、p4之间的相关度 找到前n个最接近的邻居 获得与p5在兴趣方面最相似的三个用户 1.使用默认的sim_pearson(皮尔逊相关度) 2.使用默认的sim_distance(欧几里得距离) 这个是实例图，计算过程如下： 左侧第一列是人名，第二列是与Toby的相似度，第三、五、七列分别是对三部电影的评分，第四、六、八列分别是评分和相似度的乘积，权重用第二列的相似度来表示