文章目錄

• 推薦算法
• • 1 協(xié)同過濾算法
  • • 1.1 算法概述

推薦算法

推薦系統(tǒng)的核心問題是為用戶推薦與其興趣相似度比較高的商品。 此時需要一個函數(shù)f(x)來計算候選商品與用戶之間的相似度，并向用戶推薦相似度比較高的商品。為了能夠預(yù)測出函數(shù)f(x)，可以利用的歷史數(shù)據(jù)主要有：用戶的歷史行為數(shù)據(jù)、與該用戶相關(guān)的其他用戶信息、商品之間的相似性、文本的描述等等。

假設(shè)集合C表示所有的用戶，集合S表示所有需要推薦的商品。函數(shù)f表示商品x到用戶
c之間的有效性的效用函數(shù)：

其中，R是一個全體的排序集合，對于每一個用戶c∈C，希望從商品的集合中選擇出商品，即s∈S，以使得應(yīng)用函數(shù)f的值最大。

1 協(xié)同過濾算法

協(xié)同過濾算法是最基本的推薦算法，CF算法從用戶的歷史行為數(shù)據(jù)中挖掘出用戶的興趣，為用戶推薦其感興趣的項。 根據(jù)挖掘方法的不同，協(xié)同過濾算法可以分為基于用戶的協(xié)同過濾算法和基于項的協(xié)同過濾算法。

1.1 算法概述

基于用戶的協(xié)同過濾算法是基于一個這樣的假設(shè)：跟你喜好相似的人喜歡的東西你也很有可能喜歡。所以基于用戶的協(xié)同過濾的主要任務(wù)是找出用戶的最近鄰居，從而根據(jù)最近鄰居的喜好做出未知項的評分預(yù)測。

用戶評分：可以分為顯性評分和隱性評分兩種。顯性評分就是直接給項目評分，隱性評分就是通過評價或者購買的行為給項目評分。

尋找最近鄰居：這一步就是為了尋找與你距離最近的用戶，測算距離一般采用三種算法，即皮爾森相關(guān)系數(shù)、余弦相似性和調(diào)整余弦相似性。

推薦：產(chǎn)生了最近鄰居集合后，就根據(jù)這個集合對未知項進行評分預(yù)測。把評分最高的N個項推薦給用戶。

這種算法存在性能上的瓶頸，當用戶數(shù)越來越多的時候，尋找最近鄰居的復(fù)雜度也會大幅度增加。因而這種算法不能滿足即時推薦的要求，基于項的協(xié)同過濾就解決了這一問題。

基于項的協(xié)同過濾與基于用戶的算法相似，只不過第二步改為計算項之間的相似度。由于項之間的相似度比較穩(wěn)定，可以在線下進行，所以解決了基于用戶的協(xié)調(diào)過濾存在的問題。

未完待續(xù)

總結(jié)

以上是生活随笔為你收集整理的机器学习——推荐算法的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。