做网站还是自媒体更适合赚钱,阿里云模板建站,企业vi设计图片,平面设计和建设网站的区别总览 协同过滤算法#xff0c;就是一种完全依赖用户和物品之间行为关系的推荐算法。 从字面理解#xff0c;协同大家的反馈、评价和意见一起对海量的信息进行过滤#xff0c;从中筛选出用户可能感兴趣的信息。 知识概括 从这几个方面进行分析。 一、基于用户的协同过滤 显示…总览 协同过滤算法就是一种完全依赖用户和物品之间行为关系的推荐算法。 从字面理解协同大家的反馈、评价和意见一起对海量的信息进行过滤从中筛选出用户可能感兴趣的信息。 知识概括 从这几个方面进行分析。 一、基于用户的协同过滤 显示能够直接看出用户的偏好 隐式需要自己动手挖掘数据如果方法不够准确可能找的会有问题。 从这个图中可以看出用户一与用户三都喜欢APP1 这两位用户的兴趣可能是一样的可以做出推测用户3可能是喜欢app3的
稀疏是说通常商品非常多用户购买的只是其中极小一部分
计算讲的是用户和物品的矩阵会非常庞大此外还有增量数据的同步问题。人们的兴趣一直在变去同步这种变化的数据就是一种计算问题。 冷启动是指新用户到来本身没有和其他用户有关联这种情况该如何推荐
二、基于物品的协同过滤 在推荐中如果用物品1和物品3经常一起出现也就是说用户购买1的时候也大概率会买3 那么出现新用户3喜欢物品1同时也用户3推荐物品3.
更流行现阶段各大网站基本都是用户较多 商品(种类)比用户少的多商品属性通常比较固定特征获取容易而且基本不会改变 即便上架了新商品它自身也有各种标签不会像用户一样是张白纸 应用场景更适合当下各种网站APP(实时的除外例如新闻)的、 三、矩阵分解 如果有100w的用户1个亿的产品这两个组合一个矩阵数据量太大计算分析困难。
怎么样能通过一种方法降低这个计算复杂度将最终目标实现就是矩阵分解要做的事情。 这是用户歌曲之间的行为数据1代表听过个0代表没有听过。 可以看出是比较稀疏的矩阵目标是预测空白值是多少。 如果直接算的话计算效率比较低 原始矩阵是100w10w 拆分为两个矩阵100w3 与 3*10w两个矩阵这两个矩阵就相对小很多 这个3是隐向量 最后可以分解成这样的矩阵 这里的三个特征就是隐向量其实就是特征的高维表达很难去解释。
这里的民谣、儿歌是为了方便理解这样写出来的。但其实没有办法解释如右下角所示。 优化好小矩阵中的数值最终合并成一个大表。 如图中所示通过不断调整参数最后得到一个计算机能理解的特征 就是隐向量的一般含义。 这是最终的表格 使用矩阵分解希望还原后的矩阵和原来是越相似越好。 rui 相当于原来的大矩阵xy就是分解出来的两个小矩阵希望他们之间的差异越来越小。 默认为1rui当前的指标比如点击次数阿尔法相当于是系数就是权重的设置。 行为越多置信度的值会越来越大。 置信度的值越大表示预测的越准确。 需要PPT的私聊
