概述

推荐系统 (Recommender System) 是一个信息过滤系统, 在很多领域都有广泛的使用. 推荐系统可以为用户提供个性化的产品, 挖掘用户的潜在需求. 从今天开始, 小白我就带大家来学习一下推荐系统方向的知识.

协同过滤

协同过滤 (Collaborative Filtering) 是一种在推荐系统中广泛使用的技术. 该技术通过分析用户或者事物之间的相似性.

协同过滤的步骤:

1. 收集用户偏好
2. 找到相似的用户或物品
3. 计算推荐

基于用户的协同过滤

基于用户的协同过滤推荐算法 (User-Based Filtering) 主要分为两个步骤. 第 1 是要找到目标用户兴趣相似的用户集合, 第 2 是找到这个集合中用户喜欢的物品推荐给目标用户.

基于用户的协同过滤存在的问题:

• 对于一个新用户, 很难找到邻居用户
• 对于一个物品, 所有最近的邻居都在其上没有多少打分 (稀疏)

解决方案:

• 相似度计算使用皮尔逊相似度
• 考虑共同打分物品的数目, 乘上 min(n, N) / N, 其中 n 为共同打分数, N 为阈值
• 对打分进行归一化处理
• 设置一个相似度阈值

基于物品的协同过滤

基于物品的协同过滤 (Item-Based Filtering) 是根据用户历史选择的物品的行为, 通过物品间的相似度, 给用户推荐其他物品.

基于物品的协同过滤的优势:

1. 计算性能高, 通常用户数量远大于物品数量
2. 可预先计算保留, 物品的属性通常不会改变

基于物品的协同过滤的冷启动问题:

1. 引导用户把自己的一些属性表达出来
2. 利用先有的开放数据平台, 推荐排行榜单

对比

文章来源: iamarookie.blog.csdn.net，作者：我是小白呀，版权归原作者所有，如需转载，请联系作者。

原文链接：iamarookie.blog.csdn.net/article/details/120878780