【推荐系统】基于模型的协同过滤算法
【摘要】 基于模型的协同过滤算法
本节介绍基于模型的协同过滤算法1在Top-N推荐中的应用。
核心思想是 通过隐含特征(latent factor)联系用户兴趣和物品 。
思路:对于某个用户,首先得到其兴趣分类,然后从分类中挑选其可能喜欢的物品。
上述基于兴趣分类的方法需要解决3个问题:
如何给物品进行分类?
如何确定用户对哪些类的物品感兴趣,以及感兴趣的程度?
...
基于模型的协同过滤算法
本节介绍基于模型的协同过滤算法1在Top-N推荐中的应用。
核心思想是 通过隐含特征(latent factor)联系用户兴趣和物品 。
思路:对于某个用户,首先得到其兴趣分类,然后从分类中挑选其可能喜欢的物品。
上述基于兴趣分类的方法需要解决3个问题:
- 如何给物品进行分类?
- 如何确定用户对哪些类的物品感兴趣,以及感兴趣的程度?
- 对于一个给定的类,选择哪些属于这个类的物品推荐给用户,以及如何确定这些物品在一个类中的权重?
基础算法
不同于通过编辑给物品进行分类,而是从数据出发, 自动地给物品进行分类, 然后进行个性化推荐。
隐含语义分析技术采取 基于用户行为统计的自动聚类 ,能较好地解决通过编辑进行分类的5种问题:
-
编辑的意见不能代表各种用户的意见(分类从物品内容出发还是从用户出发)
隐含语义分析技术的分类来自对用户行为的统计,代表了用户对物品分类的看法。隐含语义分析技术和ItemCF在物品分类方面的思想类似, 如果两个物品被很多用户同时喜欢,那么这两个物品就很有可能属于同一个类。
-
编辑很难控制分类的粒度
隐含语义分析技术允许指定最终有多少个分类,这个数字越大ÿ
文章来源: maoli.blog.csdn.net,作者:刘润森!,版权归原作者所有,如需转载,请联系作者。
原文链接:maoli.blog.csdn.net/article/details/115767368
【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,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)