和记娱乐-三分钟了解协同过滤算法

2019-02-05 01:01:47 围观 : 111
网址:http://www.albehari.net
网站:和记娱乐下载

  其中,data就是前文提到的数据集,user为被推荐者,itemMatch为所有物品两两之间相似度的数据集,计算itemMatch时,可以根据场景不同选择不同的计算函数。从输出总选择评分较高的物品推荐给用户,从而实现基于物品的物品推荐。 方法与User CF相同,只是我们需要把前文数据集进行转置,并计算所有物品两两之间的相似度。 它以经过人们一致评价的物品为坐标轴,然后将参与评价的人绘制到图上,并考察他们彼此间的距离远近。输出满足y∈[0,1],1表示user1和user2具有相同的偏好,0表示user1和user2偏好不同。 其中,data就是前文提到的数据集,user1和user2表示要比较的两个用户或物品。书中主要介绍了两种相似度计算函数:欧几里得距离评价、皮尔逊相关度评价。 它是一种表达不同人对不同物品偏好的方式,例如音乐应用可以用0和1表示喜欢不喜欢和喜欢。 由于本人高数上下都是勉强及格,对于这两个函数理解的也不深,所以没办法深入浅出的解释,不过只要知道每种计算方法的适应范围和局限性就好了。 如果你和小明对于音乐的品位相似,假如小明喜欢听Adele,那么你也有可能喜欢听。好了,历史争议:成吉思汗到底属于中国还是属于蒙古,问题来了: 第一个问题解决了,来看看如何推荐物品。如果只是把相似用户喜欢的物品推荐给被推荐者,和记娱乐下载未免过于草率,而且又该如何选择相似用户呢。 计算用户/物品相似度,以相似度作为权重,对不同物品进行评分预测,从而实现物品。 1. 基于物品进行过滤的方式要过于基于用户的方式,不过它需要维护物品相似度表的额外开销,这也是它快的原因; 计算用户/物品相似度,以相似度作为权重,对不同物品进行评分预测,从而实现物品。 协同过滤分为两类:基于用户的协同过滤(User-Based CF)和基于物品的协同过滤(Item-Based CF)。结合前文的介绍便不难理解分别的应用场景。 先举个生活中的场景,你想听歌却不知道听什么的时候,会向你身边与你品位类似的朋友求助,从而获得他的推荐。协同过滤(Collaborative Filtering,简称CF)就像与你品味相近的朋友,通过对大量结构化数据进行计算,找出与你相似的其他用户(user)或与你喜欢的物品(item)相似的物品,从而实现物品推荐。 它是比欧几里得距离更复杂的一种表示相似度的方法。用于判断两组数据与某一直线拟合程度,在数据不是很规范的时候(比如,影评者对影片的评价总是相对于平均水平偏离很大时),会倾向于给出更好的结果。皮尔逊可以简单理解为cos(x)函数,所以其输出满足y∈[-1,1],1表示user1和user2具有相同的偏好,0表示user1和user2偏好不同,-1表示user1和user2偏好负相关。如果难以理解可以参考:如何理解皮尔逊相关系数(Pearson Correlation Coefficient)? 其中,data就是前文提到的数据集,user为被推荐者,sim为相似度计算函数,可以根据场景不同选择不同的计算函数。从输出总选择评分较高的物品推荐给用户,从而实现物品推荐。