基于用户的协同过滤例题

CSDN 发表于 2021/01/28 22:43:25 2021/01/28
【摘要】 基于用户的协同过滤 方法步骤: 1.收集用户信息 2.找邻居求相似度 3.预测分值 1.求相似度的方法 *皮尔逊相关系数的计算公式如下所示: i 表示项,例如商品;Iu 表示用户 u 评价的项集;Iv 表示用户 v 评价的项 集;ru,i 表示用户 u 对项 i 的评分;rv,i 表示用户 v 对项 i 的评分;表示用户 u 的平均评分;表示用户 v 的平均评分...

基于用户的协同过滤

方法步骤:
1.收集用户信息
2.找邻居求相似度
3.预测分值

1.求相似度的方法

*皮尔逊相关系数的计算公式如下所示:
在这里插入图片描述
i 表示项,例如商品;Iu 表示用户 u 评价的项集;Iv 表示用户 v 评价的项 集;ru,i 表示用户 u 对项 i 的评分;rv,i 表示用户 v 对项 i 的评分;表示用户 u 的平均评分;表示用户 v 的平均评分。在这里插入图片描述
*余弦相似度的计算公式如下所示:
在这里插入图片描述2.计算用户 u 对未评分商品的预测分值
另一个重要的环节就是计算用户 u 对未评分商品的预测分值。首先根据上一步中 的相似度计算,寻找用户 u 的邻居集 N∈U,其中 N 表示邻居集,U 表示用户集。 然后,结合用户评分数据集,预测用户 u 对项 i 的评分,计算公式如下所示:
在这里插入图片描述
其中,s(u,u’)表示用户 u 和用户 u’的相似度。

例题

假设有如下电子商务评分数据集,预测评分未知的用户的评分。
原矩阵
在这里插入图片描述手算
在这里插入图片描述这里求相似度用的是皮尔逊相关系数公式
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述矩阵分解算出来的结果如下:
在这里插入图片描述
可见,用协同过滤跟矩阵分解两种方法预测出来的预测分值差别并不是很大。很相近。

文章来源: blog.csdn.net,作者:lvky.,版权归原作者所有,如需转载,请联系作者。

原文链接:blog.csdn.net/weixin_46143897/article/details/113186533

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件至:cloudbbs@huaweicloud.com进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容。
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。