推薦系統(tǒng)案例-第二天0算法

推薦推薦算法1231234512312345推薦模型構建流WhatWhatdatato顯性數(shù)據(jù)（Explicit隱性數(shù)據(jù)（Implicit推薦模型構建流Whatfeatureto使用用戶行為數(shù)據(jù)描述數(shù)據(jù)表示數(shù)據(jù)表示Feature選取和歸一本節(jié)重推薦模型構建本節(jié)重推薦模型構建流12312345推薦算法基于內(nèi)容過從信息檢索，和文本檢索發(fā)展而基于商品描述及用戶喜好描述，為用戶推協(xié)同基于用戶行為為用戶推薦 的商混合基于內(nèi)容過濾存在弊端需要人工或自動標注商品內(nèi) 所有特需要花時間學習哪些內(nèi)容或feature對用戶而言是重 基于內(nèi)容過濾存在弊端基于內(nèi)容過濾存在弊端of[Wikipedia:“theeffectbywhichoneaccidentally基于內(nèi)容的推薦和協(xié)同過濾對12312345協(xié)同過濾算基于用戶行行為可以是過往的交易行為和商品評分，這種方式不需要顯協(xié)同過濾分最近鄰（neighborhood）基于模型的方最鄰近基于user的協(xié)同過濾，通過不同用戶對item間的相似性，基于用戶之間的之User-找到和用戶1

User User?Item-?從用戶1歷史記錄中，計算商n針對所有商品組合，重復直到所有空格都被填

UserUser&OrderOrderOrderOrderDataOrderOrderDataSimilaritySimilaritySimilaritySimilaritySimilarityPearson’sSimilaritySimilarityCalculationK-NearestK-NearestK-NearestK-NearestK-NearestK-NearestNeighbor’sNeighbor’sRemoveRemoveRatedCalculatingCalculatingFinalItemItemSimilarityAdjustedCosine ItemItemSimilarityCalculation注：矩陣中的值（跟前一個矩陣一致）僅是為了說明計算過程，不一定正確 123456ItemItemSimilarity 1SimilarSimilar1143652基于模型的方基于模型的方通過隱含因素計算用戶和商品之間的關包括基于矩陣分解和基于矩陣分解的方ALS交替最小 weighted-λ–regularizationSVD奇異值分解ALSALSALS(alternatingleastsquares)希望找到兩個低維矩R?=XY來近矩計算X和Y過程：首先用一個小于1的隨機數(shù)初始化Y，并根據(jù)公式求12312345基于用戶的協(xié)同過濾實 協(xié)同過濾實現(xiàn)：Step協(xié)同過濾實現(xiàn)：Step設N(u)是用戶u有過正反饋的物品集合，則Jaccard公式協(xié)同過濾實現(xiàn)改進：Step協(xié)同過濾實現(xiàn)改進：Step如果用戶數(shù)目很多，如何優(yōu)答：首先計算出N(u)^N(v)0的用戶對(u,v)，然后再對這種情況除以分母sqrt(N(u)*N(v))。協(xié)同過濾實現(xiàn)：Step S(u,K)包含和用戶u v對物品i 選取K=3，用戶對物品c、e有行，此以這個品推薦給用戶。根據(jù)算法，用戶對物品c、e的 ：userA:userA:item1,item2,item5userB:item1,item3,item7UserC:item5userD:userA:item3,item7,item9userB:item6,item8,item9userC:item3,item17,item19userD:item3,item12,Job1:item-useruserAuserA:item1,item2,item5userB:item1,item3,item7UserC:item5userD:協(xié)同過濾實userA:item3,item7,item9userB:item6,item8,item9userC:item3,item17,item19userD:item3,item12,

userA:userA:userC:userA:userB|1userC:User-usersimilaritytable 基于物品的協(xié)同過濾實現(xiàn)：Step基于物品的協(xié)同過濾實現(xiàn)：StepuserAuserA:item1,item2,item5userB:item1,item3,item7UserC:item5userD:Item-itemsimilaritytable基于物品的協(xié)同過濾實現(xiàn)：Step基于物品的協(xié)同過濾實現(xiàn)：StepItem-itemsimilarityuserA:userA:item1,item2,item5userB:item1,item3,item7UserC:item5userD:userA:item3,item7,item9userB:item6,item8,item9userC:userA:item3,item7,item9userB:item6,item8,item9userC:item3,item17,item19userD:item3,item12,問題User冷啟非個性化推最流行的商最高的商 信息（age,User冷啟舉例 與電視劇的關 UserUserItemItem如何給用戶推薦新商ItemItem如何給用戶推薦新商System冷啟Amu