用戶畫(huà)像及推薦系統(tǒng)課件

1、第7章 用戶畫(huà)像及 推薦系統(tǒng)商業(yè)智能：方法與應(yīng)用目 錄ONTENTSC7.1 用戶畫(huà)像7.2 推薦系統(tǒng)用戶畫(huà)像基本概念單個(gè)用戶畫(huà)像流程群體用戶畫(huà)像流程用戶畫(huà)像評(píng)估用戶畫(huà)像應(yīng)用推薦系統(tǒng)基本概念相似度度量方法及最近鄰確定基于用戶的最近鄰?fù)扑]基于物品的最近鄰?fù)扑]基于用戶與基于物品的方法的比較基于模型的協(xié)同過(guò)濾7.1 用戶畫(huà)像用戶畫(huà)像基本概念單個(gè)用戶畫(huà)像流程群體用戶畫(huà)像流程用戶畫(huà)像評(píng)估用戶畫(huà)像應(yīng)用用戶畫(huà)像基本概念定義特點(diǎn) 分類單個(gè)用戶畫(huà)像 研究對(duì)象：某一特定場(chǎng)景下的具體用戶 目標(biāo)：對(duì)不同用戶做出個(gè)體區(qū)分，深入了解用戶需求群體用戶畫(huà)像 研究對(duì)象：某一特定情境下的特定用戶群體 目標(biāo)：將具有相似特征的用戶聚

2、類，方便進(jìn)一步識(shí)別用戶群體真實(shí)性標(biāo)簽化動(dòng)態(tài)性領(lǐng)域性 用戶角色（User Persona）傾向于從不同群體中抽象出不同類型的用戶角色用戶畫(huà)像（User Profile）用戶信息的標(biāo)簽化；側(cè)重于從不同維度對(duì)同一類用戶進(jìn)行刻畫(huà)，從而進(jìn)一步細(xì)分某一類用戶第五章 異性交往第一節(jié) 金星遇上火星男女有別成年男女心理與行為差異1.女性喜歡逛街購(gòu)物，男性喜歡打游戲、看球賽2.女性比男性更容易迷路3.女性比男性更喜歡聊天4.女性更易表達(dá)情感，男性喜歡隱藏情感5.男性女性對(duì)待壓力的方式不同6.女性愛(ài)嘮叨，男性愛(ài)沉默 第二節(jié) 異性交往與戀愛(ài)“喜歡量表”&“愛(ài)情量表” 愛(ài)情量表1.他（她）情緒低落時(shí)，我首要的職責(zé)是讓他

3、（她）快樂(lè)起來(lái)。 2.在所有的事情上我都可以信賴他（她）。 3.我覺(jué)得不計(jì)較他（她）的過(guò)失是一件容易的事。4.我?guī)缀踉敢鉃樗ㄋ┳鋈魏问隆?5.我對(duì)他（她）有獨(dú)占欲。 6.若不能永遠(yuǎn)跟他（她）在一起，我會(huì)覺(jué)得非常痛苦。 7.寂寞時(shí)我首先想到的就是去找他（她）。 8.他（她）的幸福屬于我最關(guān)切的事。9.我愿意原諒他（她）的任何過(guò)錯(cuò)。 10.我覺(jué)得他（她）的幸福安康是我的責(zé)任。 11.同他（她）在一起的大部分時(shí)光，我就這樣看著他（她）。12.我非常享受他（她）對(duì)我的信賴。 13.沒(méi)有他（她）的日子，對(duì)我來(lái)說(shuō)很難過(guò)。 喜歡量表 1.我們?cè)谝黄饡r(shí)的心情總是一樣的。2.我認(rèn)為他（她）環(huán)境適應(yīng)能力很強(qiáng)。

4、3.我強(qiáng)烈推薦他（她）做一項(xiàng)責(zé)任重大的工作。4.以我看來(lái)，他（她）特別成熟。5.我相信他（她）有良好的判斷力。 6.即使同他（她）短暫相處，人們大多都會(huì)有很好的印象。7.我覺(jué)得他（她）跟我很相似。 8.我愿意在班級(jí)或群體選舉中投他（她）一票。 9.我覺(jué)得他（她）是一個(gè)能很快博得尊重的人。 10.我覺(jué)得他（她）絕頂聰明。11.在我認(rèn)識(shí)的人當(dāng)中，他（她）是非?？蓯?ài)的。 12.他（她）是我很想學(xué)習(xí)的那種人。 13.我覺(jué)得他（她）非常容易贏得人們的欽佩。 正確理解愛(ài)情內(nèi)涵愛(ài)情的真正意義就在于幫助對(duì)方提高，同時(shí)也提高自己。車爾尼雪夫斯基愛(ài)情可能事恒久的，那是一份堅(jiān)貞和執(zhí)著；但也可能是脆弱的，那是當(dāng)你存有

5、太多幻想，而又不肯忍受現(xiàn)實(shí)的缺點(diǎn)的時(shí)候。能維持長(zhǎng)遠(yuǎn)的感情，其中定有很多的寬容和諒解。羅蘭愛(ài)是我們對(duì)所愛(ài)者的生命與成長(zhǎng)的主動(dòng)關(guān)切，沒(méi)有這種關(guān)切就沒(méi)有愛(ài)。弗洛姆愛(ài)情三個(gè)特點(diǎn)：愛(ài)需要彼此的理解、關(guān)心、寬容、擁有共同的志趣愛(ài)情是催人上進(jìn)的愛(ài)情是需要不斷追求和培養(yǎng)的，不是一旦擁有就永遠(yuǎn)擁有的愛(ài)情三原素理論斯騰伯格：愛(ài)情關(guān)系由三種元素組成，親情、戀情、承諾浪漫型組合（無(wú)承諾）、親情型組合（喜歡）、虛幻型組合（一見(jiàn)鐘情、閃電式結(jié)婚）、熱戀型組合（只有性愛(ài)，一夜情）、伴侶型組合（性愛(ài)缺乏）、承諾型組合（包辦婚姻）、完滿型組合大學(xué)生戀愛(ài)的特點(diǎn)1、理想化“美貌等于美德”經(jīng)濟(jì)上依靠父母，缺乏對(duì)現(xiàn)實(shí)社會(huì)真實(shí)、深入的了

6、解；對(duì)未來(lái)生活的設(shè)計(jì)過(guò)于樂(lè)觀，對(duì)將要面臨的困境、挫折沒(méi)有充分的心理準(zhǔn)備。2、純真且熱烈奔放生理發(fā)展的旺盛時(shí)期，情緒易沖動(dòng)。熱情有余，含蓄不足。感性的成分太多，分手的可能性大大增加。真正的愛(ài)情是表現(xiàn)在對(duì)所愛(ài)的人采取含蓄、謙恭，甚至羞澀的態(tài)度，而決不是表現(xiàn)在隨意流露熱情和過(guò)早的親昵。馬克思3、盲目性內(nèi)部的需求（心理斷乳期）和外部濃郁的戀愛(ài)氛圍（風(fēng)氣），使一些學(xué)生覺(jué)得戀愛(ài)是大學(xué)所要追求的另一個(gè)目標(biāo)。4、波動(dòng)性來(lái)得快，散得快。心理的不成熟，價(jià)值觀人生觀的不完善，缺乏主見(jiàn)，盲從等?！斑M(jìn)入愛(ài)時(shí)要慢一點(diǎn)；提出分手時(shí)，也要慢一點(diǎn)”畢業(yè)分配，現(xiàn)實(shí)的考驗(yàn)第三節(jié) 戀愛(ài)溝通技巧一、戀愛(ài)交往中男女心理需要 1.女性需要

7、關(guān)心，男性需要信任2.女性需要了解，男性需要接受 3.女性需要尊重，男性需要感激 4.女性需要專注，男性需要贊美 5.女性需要認(rèn)同，男性需要肯定 6.女性需要安慰，男性需要鼓勵(lì) 二、男女溝通差異1.男性常說(shuō)結(jié)果，女性常說(shuō)過(guò)程2.女性活在感覺(jué)中，男性則是行動(dòng)派3.女性喜歡暗示，男性需要直接4.女性需要宣泄，男性需要沉默 第四節(jié) 愛(ài)和性一、戀愛(ài)與性行為建立科學(xué)的性觀念 性不等于愛(ài)性本能是人的自然屬性，但是人的這種本能要受到道德和法律的制約三、婚前性行為心理及其危害1.婚前性行為會(huì)帶來(lái)劇烈的心理沖突。2.婚前性行為會(huì)導(dǎo)致感情變味3.婚前性行為會(huì)使婚后生活質(zhì)量下降4.婚前性行為給女生造成巨大的身心傷害

8、5.婚前性行為也會(huì)帶來(lái)性疾病的傳播男生怎樣調(diào)適自己的性沖動(dòng)1、破除對(duì)“性”的神秘感2、加強(qiáng)意志鍛煉3、和女生相處時(shí)，應(yīng)適當(dāng)減少綿綿的情話和過(guò)分親昵的動(dòng)作4、適當(dāng)運(yùn)用自慰行為。單個(gè)用戶畫(huà)像基本流程03 特征提取興趣屬性標(biāo)簽單個(gè)用戶畫(huà)像基本流程圖單個(gè)用戶畫(huà)像基本流程01 數(shù)據(jù)收集數(shù)據(jù)類型某電商網(wǎng)站數(shù)據(jù)分類圖行為類型搜索瀏覽購(gòu)買(mǎi)發(fā)表點(diǎn)贊接觸點(diǎn)帆布鞋匡威雙十一大促頁(yè)用戶數(shù)據(jù) 靜態(tài)信息數(shù)據(jù)商業(yè)屬性職業(yè)動(dòng)態(tài)信息數(shù)據(jù)人口基本屬性性別年齡地域婚姻狀況消費(fèi)等級(jí)消費(fèi)周期行為數(shù)據(jù) 消費(fèi)數(shù)據(jù)消費(fèi)商品消費(fèi)總額單個(gè)用戶畫(huà)像基本流程01 數(shù)據(jù)收集數(shù)據(jù)收集方法123社會(huì)調(diào)查通過(guò)訪談、觀察、調(diào)研等社會(huì)調(diào)查的方法，直接收集獲取用

9、戶畫(huà)像所需要的數(shù)據(jù)平臺(tái)數(shù)據(jù)庫(kù)直接從企業(yè)數(shù)據(jù)庫(kù)采集用戶數(shù)據(jù)或購(gòu)買(mǎi)接口獲得數(shù)據(jù) 網(wǎng)絡(luò)數(shù)據(jù)采集使用網(wǎng)絡(luò)采集方法獲取用戶公開(kāi)數(shù)據(jù)，如：網(wǎng)絡(luò)爬蟲(chóng)等單個(gè)用戶畫(huà)像基本流程02 數(shù)據(jù)清洗01去除/補(bǔ)全有缺失的數(shù)據(jù)去除/修改格式和內(nèi)容錯(cuò)誤的數(shù)據(jù)去除非必需數(shù)據(jù)02030504去除/修改邏輯錯(cuò)誤的數(shù)據(jù)不同來(lái)源數(shù)據(jù)關(guān)聯(lián)性驗(yàn)證03 特征提取人口屬性標(biāo)簽單個(gè)用戶畫(huà)像基本流程人口屬性標(biāo)簽內(nèi)容 性別、年齡、職業(yè)、收入等個(gè)人信息人口屬性標(biāo)簽特點(diǎn) 比較穩(wěn)定，且在實(shí)際應(yīng)用中不是全部用戶提供人口基本屬性數(shù)據(jù)構(gòu)建人口屬性標(biāo)簽方法 標(biāo)簽擴(kuò)散模型用填寫(xiě)信息的用戶作為樣本，對(duì)無(wú)標(biāo)簽用戶進(jìn)行屬性預(yù)測(cè)有信息的用戶行為特征模型無(wú)信息的用戶提取訓(xùn)練

10、預(yù)測(cè)人口屬性標(biāo)簽建立過(guò)程示意圖03 特征提取興趣屬性標(biāo)簽單個(gè)用戶畫(huà)像基本流程 活躍用戶用戶畫(huà)像構(gòu)建方法 分析用戶發(fā)表文章生成相應(yīng)興趣畫(huà)像獲取文章關(guān)鍵詞構(gòu)建興趣偏好詞典賦予不同興趣偏好權(quán)重得到活躍用戶興趣愛(ài)好標(biāo)簽 非活躍用戶用戶畫(huà)像構(gòu)建方法 分析用戶關(guān)注賬戶或點(diǎn)贊文章計(jì)算用戶所關(guān)注賬戶信息或所點(diǎn)贊文章信息中每個(gè)實(shí)體概念所屬網(wǎng)站類別的權(quán)重得到由網(wǎng)站類別構(gòu)成的興趣愛(ài)好得到非活躍用戶的興趣愛(ài)好03 特征提取地理位置屬性標(biāo)簽單個(gè)用戶畫(huà)像基本流程常駐地屬性標(biāo)簽 基于用戶的IP地址信息，對(duì)用戶的IP地址進(jìn)行接續(xù)，得到常駐城市標(biāo)簽GPS軌跡數(shù)據(jù) 從手機(jī)基于位置的服務(wù)（LBS）進(jìn)行收集導(dǎo)航類APP獲取LBS日志

11、數(shù)據(jù)清洗與匯總LBS位置與POI匹配用戶POI場(chǎng)景判斷POI類型到訪次數(shù)時(shí)間段分布天數(shù)分布居住工作購(gòu)物就餐GPS地理位置畫(huà)像流程單個(gè)用戶畫(huà)像基本流程03 特征提取興趣屬性標(biāo)簽用戶畫(huà)像標(biāo)簽體系群體用戶畫(huà)像流程01單個(gè)用戶畫(huà)像獲取 數(shù)據(jù)收集、數(shù)據(jù)清洗和特征提取方法獲取用戶畫(huà)像數(shù)據(jù) 推薦系統(tǒng)的數(shù)據(jù)統(tǒng)計(jì)模塊獲得用戶畫(huà)像數(shù)據(jù)02用戶畫(huà)像相似度計(jì)算（1）定量標(biāo)簽相似度計(jì)算 計(jì)算公式： 不同定量標(biāo)簽數(shù)據(jù)歸一化處理方法：線性函數(shù)轉(zhuǎn)換、對(duì)數(shù)函數(shù)轉(zhuǎn)化、反正切函數(shù) 轉(zhuǎn)化等 定量標(biāo)簽距離計(jì)算方法：歐式距離、曼哈頓距離、余弦相似度、Jacard系數(shù)等（2）定性標(biāo)簽相似度計(jì)算 將定性標(biāo)簽映射為定量標(biāo)簽，采用定量標(biāo)簽相似度

12、計(jì)算方法 基于概念的相似度計(jì)算方法群體用戶畫(huà)像流程03用戶畫(huà)像聚類及群體用戶畫(huà)像生成 用戶畫(huà)像聚類：對(duì)單個(gè)用畫(huà)像根據(jù)相似度計(jì)算結(jié)果進(jìn)行分類 聚類原則：使類別內(nèi)差異最小，類別間差異最大 聚類目標(biāo)：發(fā)現(xiàn)用戶畫(huà)像建隱含關(guān)系，提取核心用戶畫(huà)像 群體用戶畫(huà)像生成：根據(jù)聚類結(jié)果，抽象出每個(gè)聚類群體的典型用戶畫(huà)像用戶畫(huà)像評(píng)估010203定義：被打上正確標(biāo)簽的用戶比例計(jì)算公式：準(zhǔn)確率定義：被打上標(biāo)簽的用戶占全量用戶的比例計(jì)算公式：覆蓋率不同特征標(biāo)簽時(shí)效性要求不同，需要建立合理的更新機(jī)制，以保證標(biāo)簽時(shí)間上的時(shí)效性時(shí)效性用戶畫(huà)像應(yīng)用應(yīng)用二應(yīng)用一應(yīng)用三基礎(chǔ)信息查詢構(gòu)建用戶畫(huà)像的基礎(chǔ)上建立用戶標(biāo)簽庫(kù)及用戶關(guān)系庫(kù)，實(shí)現(xiàn)

13、基礎(chǔ)信息查詢，便于企業(yè)深入了解用戶需求精準(zhǔn)營(yíng)銷依托用戶畫(huà)像，分析用戶的行為習(xí)慣及消費(fèi)習(xí)慣，為用戶的消費(fèi)行為打上專屬標(biāo)簽，進(jìn)而實(shí)現(xiàn)精準(zhǔn)推送產(chǎn)品或服務(wù)優(yōu)化用戶畫(huà)像實(shí)現(xiàn)對(duì)不同特征的用戶進(jìn)行路徑分析，發(fā)現(xiàn)用戶從新用戶到流失用戶的隱含原因，進(jìn)而實(shí)現(xiàn)公司運(yùn)營(yíng)優(yōu)化用戶畫(huà)像應(yīng)用應(yīng)用四應(yīng)用五個(gè)性化業(yè)務(wù)定制主要包括個(gè)性化推薦、個(gè)性化支持和個(gè)性化信用評(píng)級(jí)，同時(shí)根據(jù)用戶實(shí)時(shí)行為，不斷調(diào)整用戶畫(huà)像，對(duì)定制內(nèi)容實(shí)時(shí)反饋調(diào)整企業(yè)戰(zhàn)略制定用戶畫(huà)像在宏觀層面的重要意義主要體現(xiàn)在市場(chǎng)走向判斷、用戶群體劃分和產(chǎn)品定位三個(gè)方面7.2 推薦系統(tǒng)推薦系統(tǒng)基本概念相似度度量方法及最近鄰確定基于用戶的最近鄰?fù)扑]基于物品的最近鄰?fù)扑]基于用戶與

14、基于物品的方法的比較基于模型的最近鄰?fù)扑]7.2.1.1 推薦系統(tǒng)基本概念定義推薦系統(tǒng)是為滿足電子商務(wù)發(fā)展和解決網(wǎng)絡(luò)信息超載而產(chǎn)生的。比如基于內(nèi)容的推薦算法、基于協(xié)同過(guò)濾的推薦算法、基于知識(shí)的推薦算法、基于社交網(wǎng)絡(luò)的推薦算法等。協(xié)同過(guò)濾推薦算法 ：推薦系統(tǒng)中最早、最成熟的技術(shù)。7.2.1.2 協(xié)同過(guò)濾推薦定義協(xié)同過(guò)濾推薦算法即根據(jù)用戶過(guò)往對(duì)物品或信息的偏好，發(fā)現(xiàn)物品或內(nèi)容本身的相關(guān)性，或者用戶間的相關(guān)性，基于這些相關(guān)性預(yù)測(cè)出當(dāng)前用戶對(duì)其它物品或信息的喜好程度，以決定是否進(jìn)行推薦。從評(píng)分的角度可以解釋為，用已知的評(píng)分去估計(jì)未知的評(píng)分。分類 基于記憶(memory-based)的基于模型(model

15、-based)的基于用戶(user-based)的最近鄰?fù)扑]基于物品(item-based)的最近鄰?fù)扑]7.2.2 相似度度量方法及最近鄰確定歐幾里得距離（Euclidean Distance）皮爾遜相關(guān)系數(shù)（Pearson Correlation Coefficient）余弦相似度（Cosine Similarity）相似度度量方法0102037.2.2 相似度度量方法及最近鄰確定確定鄰居用戶/物品通常有以下兩種方法：給定鄰居數(shù)量來(lái)確定最近鄰（K-neighborhoods），如圖1.1左。以達(dá)到相似度門(mén)檻的鄰居作為最近鄰（Fix-size neighborhoods），如圖1.1右。圖7.

16、4 最近鄰居的選擇7.2.3 基于用戶的最近鄰?fù)扑]定義基于用戶的最近鄰?fù)扑]算法是利用這些相似或同類用戶對(duì)商品評(píng)分的加權(quán)平均值，來(lái)預(yù)測(cè)目標(biāo)用戶對(duì)特定商品的喜好程度，從而根據(jù)這一喜好程度對(duì)目標(biāo)用戶進(jìn)行推薦。算法過(guò)程 ：（1）收集用戶的偏好（2）確定最近鄰居用戶（3）評(píng)分預(yù)測(cè)7.2.3 基于用戶的最近鄰?fù)扑]（1）收集用戶的偏好 評(píng)分大體上可分為顯示評(píng)分（explicit feedback）和隱式評(píng)分（implicit feedback）兩種。評(píng)分是由用戶對(duì)物品的喜愛(ài)程度所決定的，可能是連續(xù)的值，也可以是離散的值。用戶行為類型特征作用打分連續(xù)分值離散分值順序分值通常為整數(shù)量化的偏好，可能的取值是0,n

17、, n為正整數(shù)通過(guò)用戶對(duì)物品的打分，精確得到用戶的偏好投票二元評(píng)分布爾量化的偏好，取值是0或1通過(guò)用戶對(duì)物品的投票，可以較精確得到用戶的偏好轉(zhuǎn)發(fā)一元評(píng)分布爾量化的偏好，取值是0或1通過(guò)用戶對(duì)物品的轉(zhuǎn)發(fā)，可以精確得到用戶的偏好；同時(shí)可以推理得到被轉(zhuǎn)發(fā)人的偏好（不精確）點(diǎn)贊/收藏一元評(píng)分布爾量化的偏好，取值是0或1通過(guò)用戶對(duì)物品的點(diǎn)贊或收藏，可以精確得到用戶的偏好標(biāo)記標(biāo)簽文本一些詞語(yǔ)，需要對(duì)文本進(jìn)行分析，得到偏好通過(guò)分析用戶的標(biāo)簽，可以得到用戶對(duì)內(nèi)容的理解，同時(shí)可以分析出用戶的情感：喜歡還是厭惡評(píng)論文本一段文字，需要進(jìn)行文本分析，得到偏好通過(guò)分析用戶的評(píng)論，可以得到用戶的情感：喜歡或是厭惡（2）確

18、定最近鄰居用戶 利用用戶的歷史喜好信息，通過(guò)上述相似度度量公式等計(jì)算相似度，計(jì)算出用戶之間的距離，即用戶之間的“近鄰”關(guān)系。下表是用戶Tom和其他兩名用戶對(duì)物品AD的評(píng)分?jǐn)?shù)據(jù)。分值從1到5分別表示“非常討厭”“討厭”“中立”“喜歡”和非常喜歡。通過(guò)找出用戶1和用戶2中誰(shuí)是與Tom更相似的用戶，進(jìn)而根據(jù)該鄰居用戶對(duì)物品D的評(píng)分去判斷是否應(yīng)該給Tom推薦物品D。用戶/物品物品A物品B物品C物品DTom524推薦？用戶14153用戶224317.2.3 基于用戶的最近鄰?fù)扑] 設(shè)U=u1,un代表用戶集，P=p1,pm代表物品集。nm的評(píng)分矩陣R=rij，其中i1n，j1m。用Pearson相關(guān)系數(shù)來(lái)

19、衡量?jī)捎脩糁g評(píng)分向量的相似度Sim（u1,u2），確定鄰居用戶集。相關(guān)系數(shù)的取值為-1,1，代表從強(qiáng)負(fù)相關(guān)到強(qiáng)正相關(guān)。7.2.3 基于用戶的最近鄰?fù)扑]首先，計(jì)算每位用戶的平均評(píng)分u： 其次，計(jì)算Tom與用戶1的相似度： 同理可得到Tom與用戶2的相似度為-0.84。綜上，我們得出Tom的最近鄰用戶是用戶1，相似度為0.84，意味著用戶1 的評(píng)分行為與目標(biāo)用戶更為相似。7.2.3 基于用戶的最近鄰?fù)扑]首先，用戶的評(píng)分需要按行進(jìn)行均值中心化（mean-centered）： 即以每個(gè)用戶對(duì)每一件物品的評(píng)分減去該用戶的平均評(píng)分得到均值中心化的矩陣，如下表：（3）評(píng)分預(yù)測(cè)用戶/物品物品A物品B物品C物

20、品DTom1.33-1.670.33推薦？用戶10.75-2.251.75-0.25用戶2-0.51.50.5-1.57.2.3 基于用戶的最近鄰?fù)扑]其次，令V表示目標(biāo)用戶u的k個(gè)近鄰的集合，故預(yù)測(cè)用戶對(duì)某一物品的評(píng)分，可使用如下預(yù)測(cè)函數(shù)： 示例中，Tom的鄰居用戶只有用戶1，故得到： 由此預(yù)測(cè)出Tom對(duì)物品D的評(píng)分為3.42，故不建議推薦。7.2.4 基于物品的最近鄰?fù)扑]定義基于物品的最近鄰?fù)扑]算法是利用“物品”而非“用戶”的相似度來(lái)預(yù)測(cè)目標(biāo)用戶還可能喜歡哪些物品或內(nèi)容。簡(jiǎn)單來(lái)講，基于用戶是計(jì)算評(píng)分矩陣的行之間的相似度，而基于物品是計(jì)算列之間的相似度。算法過(guò)程 ：（1）收集用戶的偏好（同上）

21、（2）確定最近鄰居物品（3）評(píng)分預(yù)測(cè)（2）確定最近鄰居物品 利用用戶的歷史喜好信息，通過(guò)上述相似度度量公式等計(jì)算相似度，計(jì)算出用戶之間的距離，即用戶之間的“近鄰”關(guān)系。仍是以上述例子來(lái)說(shuō)明。由余弦相似度公式，得到物品A與物品D的相似度（注意這里選擇的必須是對(duì)相同物品都做出評(píng)價(jià)的用戶）：7.2.4 基于物品的最近鄰?fù)扑]（3）評(píng)分預(yù)測(cè) 同理，物品B與物品D的相似度： 物品C與物品D的相似度：預(yù)測(cè)用戶對(duì)某一物品的評(píng)分，依然可使用如下預(yù)測(cè)函數(shù)：7.2.4 基于物品的最近鄰?fù)扑]通過(guò)比較，顯然物品A是與物品D最相似的，物品B、C比較相近（余弦相似度均大于零）。故由所有鄰居物品的加權(quán)平均總和得到Tom對(duì)物品D的預(yù)測(cè)評(píng)分：4.16高于Tom的平均評(píng)分3.67，故可以選擇推薦?；谟脩艉突谖锲穬煞N算法共同存在的問(wèn)題：數(shù)據(jù)稀疏與冷啟動(dòng)長(zhǎng)尾效應(yīng)當(dāng)物品的數(shù)量龐大而可用的評(píng)分?jǐn)?shù)據(jù)太小時(shí)，得到的評(píng)分矩陣一般都非常稀疏，被稱為冷啟動(dòng)問(wèn)題。此時(shí)傳統(tǒng)的協(xié)同過(guò)濾模