目录
主要内容
n 互联网需求变更
1.推荐系统广泛应用
2.推荐系统需求
3.推荐系统结构与评估
n 推荐算法初步
1.基于内容推荐
2.协同过滤
n 推荐算法进阶
1.矩阵分解与隐语义模型
n 推荐系统案例
推荐系统之 是什么
推荐系统之 系统结构
推荐系统之 评定标准
消除只推荐关注的东西,把尾部的东西也能给用户
推荐系统之 经典算法初步
协同过滤
基于物品的协同过滤
再减掉均值,不同的用户可以打分的标准不同
如果用户A可能最好打3分
用户B可以打分从3起步呢
如果这样不减平均值,则结果不准确
pearson相似度
推荐系统之 CF对比
基于物品的协同过滤:两本书的相似度不怎么变,所以更稳定
则用户两人的因素,兴趣会变化 ,每次都要重新计算,人是会变的
o 协同过滤优点
n 基于用户行为, 因此对推荐内容无需先验知识:不需要对内容的故事情节等人物做推测
n 只需要用户和商品关联矩阵即可, 结构简单
n 在用户行为丰富的情况下, 效果好
o 协同过滤缺点
n 需要大量的显性/隐性用户行为
n 需要通过完全相同的商品关联, 相似的不行
n 假定用户的兴趣完全取决于之前的行为, 而和当前
上下文环境无关
n 在数据稀疏的情况下受影响。 可以考虑二度关联。