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(gòu)建流WhatWhatdatato顯性數(shù)據(jù)（Explicit隱性數(shù)據(jù)（Implicit推薦模型構(gòu)建流Whatfeatureto使用用戶(hù)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(gòu)建本節(jié)重推薦模型構(gòu)建流12312345推薦算法基于內(nèi)容過(guò)從信息檢索，和文本檢索發(fā)展而基于商品描述及用戶(hù)喜好描述，為用戶(hù)推協(xié)同基于用戶(hù)行為為用戶(hù)推薦 的商混合基于內(nèi)容過(guò)濾存在弊端需要人工或自動(dòng)標(biāo)注商品內(nèi) 所有特需要花時(shí)間學(xué)習(xí)哪些內(nèi)容或feature對(duì)用戶(hù)而言是重 基于內(nèi)容過(guò)濾存在弊端基于內(nèi)容過(guò)濾存在弊端of[Wikipedia:“theeffectbywhichoneaccidentally基于內(nèi)容的推薦和協(xié)同過(guò)濾對(duì)12312345協(xié)同過(guò)濾算基于用戶(hù)行行為可以是過(guò)往的交易行為和商品評(píng)分，這種方式不需要顯協(xié)同過(guò)濾分最近鄰（neighborhood）基于模型的方最鄰近基于user的協(xié)同過(guò)濾，通過(guò)不同用戶(hù)對(duì)item間的相似性，基于用戶(hù)之間的之User-找到和用戶(hù)1

User User?Item-?從用戶(hù)1歷史記錄中，計(jì)算商n針對(duì)所有商品組合，重復(fù)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(gè)矩陣一致）僅是為了說(shuō)明計(jì)算過(guò)程，不一定正確 123456ItemItemSimilarity 1SimilarSimilar1143652基于模型的方基于模型的方通過(guò)隱含因素計(jì)算用戶(hù)和商品之間的關(guān)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(gè)低維矩R?=XY來(lái)近矩計(jì)算X和Y過(guò)程：首先用一個(gè)小于1的隨機(jī)數(shù)初始化Y，并根據(jù)公式求12312345基于用戶(hù)的協(xié)同過(guò)濾實(shí) 協(xié)同過(guò)濾實(shí)現(xiàn)：Step協(xié)同過(guò)濾實(shí)現(xiàn)：Step設(shè)N(u)是用戶(hù)u有過(guò)正反饋的物品集合，則Jaccard公式協(xié)同過(guò)濾實(shí)現(xiàn)改進(jìn)：Step協(xié)同過(guò)濾實(shí)現(xiàn)改進(jìn)：Step如果用戶(hù)數(shù)目很多，如何優(yōu)答：首先計(jì)算出N(u)^N(v)0的用戶(hù)對(duì)(u,v)，然后再對(duì)這種情況除以分母sqrt(N(u)*N(v))。協(xié)同過(guò)濾實(shí)現(xiàn)：Step S(u,K)包含和用戶(hù)u v對(duì)物品i 選取K=3，用戶(hù)對(duì)物品c、e有行，此以這個(gè)品推薦給用戶(hù)。根據(jù)算法，用戶(hù)對(duì)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(guò)濾實(shí)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(guò)濾實(shí)現(xiàn)：Step基于物品的協(xié)同過(guò)濾實(shí)現(xiàn)：StepuserAuserA:item1,item2,item5userB:item1,item3,item7UserC:item5userD:Item-itemsimilaritytable基于物品的協(xié)同過(guò)濾實(shí)現(xiàn)：Step基于物品的協(xié)同過(guò)濾實(shí)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(wèn)題User冷啟非個(gè)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(guān) UserUserItemItem如何給用戶(hù)推薦新商ItemItem如何給用戶(hù)推薦新商System冷啟Amu