Collaborative Filtering–【U2U2I】

个人笔记：部分图片内容和知识直接来源 HERE

使用行为数据，利用集体智慧推荐

基于用户的-U2U2I:（Users to Users to Items?）

和你兴趣相投的人(例如可能是朋友、同学（老用户，已经有一定的数据记录他们的喜好）)也喜欢

U1选择了对I1、I2感兴趣，通过记录中发现，U2也喜欢这样的，而U2和U4喜欢I4，所以猜测U1也喜欢I4，就会把I4推荐给了U1

操作步骤：

①：搜索相似的用户

Jaccard：没有考虑评分

余弦相似度：把每一行当作一个向量，分子是向量点积，分母是各自范数再算乘积，将缺失值认为是最不喜欢的0，而其实是用户没有遇见，不能代表他不喜欢

皮尔逊相关系数：缺失值的评分是 all points / num(items)

比如A:（4+5+1）/ 3 (评了三个)=3.3

再利用这个去算r。这里的x和y没有讲的很清楚是什么，可以看下边公式：

注： $I_u \cap I_v是项集，(表示他们共同存在评价的对象数量有几个);r_{u(v),i}是用户 u(v) 对这 i 的评分，\bar r_u(v)是用户u(v)平均评分 $

利用python实现s的过程：首先，r_u(v),i是一个列向量，减去一个数值,还是列向量;将(r_(u,i)-r(bar))转置成行矩阵，和后者列矩阵做点积；其次，下面两个范数也以此将每个因数的第一个矩阵转置成行矩阵再和自己做点积。一比，就出来了！

正负相似度意思是兴趣相同或者兴趣相悖。

②：计算u和新item相似度

法1 ：直接平均法首先得到的是A与B和C相似，然后直接利用平均数得到A→I5的喜欢程度是（3+5）/2

法2、加权平均法在分子每个评分多乘上对应用户的相似度进行求和再除以目标用户（当前被进行分析的用户）和（相似度比较高的）用户之间相似度的和

计算出A对I其他全部的相似度，然后选取TOP n就是推荐列表了

Collaborative Filtering--【U2U2I】相关推荐

Neural Collaborative Filtering【论文笔记】
文章目录 1 文章为了解决什么问题? 2 文章提出了什么方法? 3 模型架构以及原理? 3.1 推荐问题基本描述 3.2 矩阵分解(Matrix Factorization, MF) 3.3 NCF通 ...
【推荐系统论文精读系列】(五)--Neural Collaborative Filtering
文章目录一.摘要二.介绍三.准备知识 3.1 从隐式数据中进行学习 3.2 矩阵分解四.神经协同过滤 4.1 总体框架 4.1.1 学习NCF 4.2 广义矩阵分解(GMF) 4.3 多层感知 ...
【RS】Amazon.com recommendations: item-to-item collaborative filtering - 亚马逊推荐：基于物品的协同过滤...
[论文标题]Amazon.com recommendations: item-to-item collaborative filtering (2003,Published by the IEEE C ...
【论文笔记】Disentangled Graph Collaborative Filtering --- SIGIR2020
本文提出了一种新的模型DGCF用来理解用户的意图.把嵌入拆成K部分,每一部分分别表示用户的意图.同时使用了独立模型模块来保证每一部分都具有独立性,使得意图不会纠缠在一起. 摘要从历史交互数据中学习用 ...
知识图谱论文阅读（二十一）【SIGIR2019】NGCF: Neural Graph Collaborative Filtering
题目:Neural Graph Collaborative Filtering 代码: https://github.com/xiangwang1223/neural_graph_collaborat ...
【论文笔记】Revisiting graph based collaborative Filtering:一种线性残差图图卷积网络方法
Revisiting Graph based Collaborative Filtering:A Linear Residual Graph Convolutional Network Approac ...
【RS-Attack】攻击MF：Data Poisoning Attacks on Factorization-Based Collaborative Filtering (NIPS‘16)
Data Poisoning Attacks on Factorization-Based Collaborative Filtering NIPS'16 针对矩阵分解的投毒攻击.文章针对两个矩阵分解 ...
【推荐系统算法实战】协同过滤 CF 算法（Collaborative Filtering）
什么是协同过滤算法? 协同过滤推荐(Collaborative Filtering Recommendation). 仅仅基于用户行为数据设计的推荐算法一般称为协同过滤算法.学术界对协同过滤算法进行 ...
【科研导向】Outer Product-based Neural Collaborative Filtering (ConvNCF)基于外积的神经协同过滤＜论文理解代码分析＞
Outer Product-based Neural Collaborative Filtering--IJCAI'18 文章简介一.摘要解析二.技术要点三.实验部分代码解析一.模型构建二 ...
【科研导向】Neural Collaborative Filtering 神经协同过滤＜论文理解代码分析＞
Neural Collaborative Filtering--WWW'17 文章简介一.摘要解析二.技术要点三.实验部分代码解析一.模型构建二.难点问题未来展望文章简介该文由何向南 ...

Collaborative Filtering--【U2U2I】

Collaborative Filtering–【U2U2I】

基于用户的-U2U2I:（Users to Users to Items?）

操作步骤：

①：搜索相似的用户

Jaccard：没有考虑评分

余弦相似度：把每一行当作一个向量，分子是向量点积，分母是各自范数再算乘积，将缺失值认为是最不喜欢的0，而其实是用户没有遇见，不能代表他不喜欢

皮尔逊相关系数：缺失值的评分是 all points / num(items)

比如A:（4+5+1）/ 3 (评了三个)=3.3

再利用这个去算r。这里的x和y没有讲的很清楚是什么，可以看下边公式：

②：计算u和新item相似度

法1 ：直接平均法首先得到的是A与B和C相似，然后直接利用平均数得到A→I5的喜欢程度是（3+5）/2

法2、加权平均法在分子每个评分多乘上对应用户的相似度进行求和再除以目标用户（当前被进行分析的用户）和（相似度比较高的）用户之间相似度的和

Collaborative Filtering--【U2U2I】相关推荐

最新文章

热门文章

Collaborative Filtering--【U2U2I】

Collaborative Filtering–【U2U2I】

基于用户的-U2U2I:（Users to Users to Items?）

操作步骤：

①：搜索相似的用户

Jaccard：没有考虑评分

余弦相似度：把每一行当作一个向量，分子是向量点积，分母是各自范数再算乘积，将缺失值认为是最不喜欢的0，而其实是用户没有遇见，不能代表他不喜欢

皮尔逊相关系数：缺失值的评分是 all points / num(items)

比如A:（4+5+1）/ 3 (评了三个)=3.3

再利用这个去算r。这里的x和y没有讲的很清楚是什么，可以看下边公式：

②：计算u和新item相似度

法1 ：直接平均法 首先得到的是A与B和C相似，然后直接利用平均数得到A→I5的喜欢程度是（3+5）/2

法2、加权平均法 在分子每个评分多乘上对应用户的相似度进行求和再除以目标用户（当前被进行分析的用户）和（相似度比较高的）用户之间相似度的和

Collaborative Filtering--【U2U2I】相关推荐

最新文章

热门文章

法1 ：直接平均法首先得到的是A与B和C相似，然后直接利用平均数得到A→I5的喜欢程度是（3+5）/2

法2、加权平均法在分子每个评分多乘上对应用户的相似度进行求和再除以目标用户（当前被进行分析的用户）和（相似度比较高的）用户之间相似度的和