推荐算法矩阵分解实战——keras算法练习

举报
格图洛书 发表于 2021/11/19 00:31:41 2021/11/19
【摘要】 当今这个信息爆炸的社会,每个人都会面对无数的商品,无数的选择。而推荐算法的目的帮助大家解决选择困难症的问题,在大千世界中推荐专属于你的商品。 推荐系统算法简介 这里简单介绍下推荐系统中最为主要的协同过滤算法,大致分为如下几类: 基于用户的协同过滤(给用户推荐与他相似的人购买的物品) 基于商品的协同过滤(给用户推荐和他之前喜欢...

当今这个信息爆炸的社会,每个人都会面对无数的商品,无数的选择。而推荐算法的目的帮助大家解决选择困难症的问题,在大千世界中推荐专属于你的商品。

推荐系统算法简介

这里简单介绍下推荐系统中最为主要的协同过滤算法,大致分为如下几类:

  • 基于用户的协同过滤(给用户推荐与他相似的人购买的物品)
  • 基于商品的协同过滤(给用户推荐和他之前喜欢的物品相似的物品)
  • 基于模型的协同过滤:关联算法,聚类算法,分类算法,回归算法,矩阵分解,神经网络,图模型以及隐语义模型都属于这个范畴。

而本次实战使用的是矩阵分解算法。
矩阵分解其实是数学上的一个经典问题。大家从线性代数中可以知道,矩阵可以做SVD分解、Cholesky分解等,就好比任何大于1的正整数都可以分解成若干质数的乘积,矩阵分解可以认为是一种信息压缩。下图是一个用户电影评分矩阵。矩阵的每行表示一个用户,每列表示一部电影,矩阵中每个位置的值,代表某个用户对某个电影的评分值。

矩阵分解

 

  • R矩阵:用户对电影的评分组合矩阵,
  • 用户矩阵,每一个被压

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

原文链接:wenyusuran.blog.csdn.net/article/details/107333324

【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

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。