143.如何个性化推荐系统设计-3
143.1 算法介绍
- 协同过滤算法
- 协同过滤(Collaborative filtering, CF)算法是目前个性化推荐系统比较流行的算法之一。
- 协同算法分为两个基本算法:基于用户的协同过滤(UserCF)和基于项目的协同过滤(ItemCF)。
- 基于属性的推荐算法
- 基于用户标签的推荐
- 统计用户最常用的标签,对于每个标签,统计被打过这个标签次数最多的物品,然后将具有这些标签的最热门的物品推荐给这个用户
- 这个方法非常适合新用户或者数据很少的冷启动,目前许多的app都会在新用户最初进入时让用户添加喜好标签方便为用户推送内容。
- 基于商品内容的推荐算法
- 利用商品的内容属性计算商品之间的相似度,是物推物的算法
- 这种算法不依赖用户行为,只要获取到item的内容信息就可以计算语义级别上的相似性,不存在iterm冷启动问题
- 缺点就是不是所有iterm都可以非常容易的抽取成有意义的特征,而且中文一词多义和一义多词的复杂性也是需要攻克的一个难题。
- 基于矩阵分解的推荐算法
- 原理:根据已有的评分矩阵(非常稀疏),分解为低维的用户特征矩阵(评分者对各个因子的喜好程度)以及商品特征矩阵(商品包含各个因子的程度),最后再反过来分析数据(用户特征矩阵与商品特征矩阵相乘得到新的评分矩阵)得出预测结果;这是一个非常优雅的推荐算法,因为当涉及到矩阵分解时,我们通常不会太多地去思考哪些项目将停留在所得到矩阵的列和行中
- 但是使用这个推荐引擎,我们清楚地看到,u是第i个用户的兴趣向量,v是第j个电影的参数向量。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5agvFDRO-1669794241844)(https://upload-images.jianshu.io/upload_images/19745945-cf6b3cea36c18d4b.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]
- 基于用户标签的推荐
- 所以我们可以用u和v的点积来估算x(第i个用户对第j个电影的评分)。我们用已知的分数构建这些向量,并使用它们来预测未知的得分。
- 例如,在矩阵分解之后,Ted的向量是(1.4; .8),电影A的向量是(1.4; .9),现在,我们可以通过计算(1.4; .8)和(1.4; .9)的点积,来还原电影A-Ted的得分。结果,我们得到2.68分。
- 基于热门内容的推荐算法
- 为用户推荐流行度高的物品,或者说新热物品
- 例如最近北方天气突然降温,一大堆用户开始在淘宝搜索购买大衣或者羽绒服,淘宝就会为北方用户推荐大衣。55度杯新出时,所有人都会搜索购买,然后用户的瀑布流中就会出现55度杯
- 流行度算法很好的解决冷启动问题,但推荐的物品有限,不能很好的命中用户的兴趣点;其推荐列表通常会作为候补列表推荐给用户;在微博、新闻等产品推荐时是常用的方法
- 基本流程就是:确定物品的流行周期,计算物品在流行周期内的流行度,流行度高的物品作为被推荐的物品。
- 为用户推荐流行度高的物品,或者说新热物品
大数据视频推荐:
网易云课堂
CSDN
人工智能算法竞赛实战
AIops智能运维机器学习算法实战
ELK7 stack开发运维实战
PySpark机器学习从入门到精通
AIOps智能运维实战
腾讯课堂
大数据语音推荐:
ELK7 stack开发运维
企业级大数据技术应用
大数据机器学习案例之推荐系统
自然语言处理
大数据基础
人工智能:深度学习入门到精通
143.如何个性化推荐系统设计-3相关推荐
- 计算机配件推荐系统论文摘要,个性化推荐系统设计
内容简介: 个性化推荐系统设计,毕业设计,共65页,29540字,附外文翻译. 摘要 个性化推荐系统根据用户的历史数据,利用推荐算法向他们推荐可能感兴趣的商品.协同过滤(CF)是目前研究最多.应用最广 ...
- 个性化推荐系统设计(2.2)——Few-shot Learning用于冷启动的探索
在推荐领域,我们常常会遇到冷启动的问题,这可能在所有的推荐项目中或多或少都会涉及.对于该问题,通常的解决方法如下: ①(提供非个性化的推荐)比如先推荐热门排行榜,收集一定用户数据后,再进行个性化推荐: ...
- 141.如何个性化推荐系统设计-1
141.1 什么是个性化推荐系统? 个性化推荐系统就是根据用户的历史,社交关系,兴趣点,上下文环境等信息去判断用户当前需要或潜在感兴趣的内容的一类应用. 大数据时代,我们的生活的方方面面都出现了信息过 ...
- 142.如何个性化推荐系统设计-2
142.1 离线训练 离线训练流程 如何线上实时反馈特征? 在线计算,与曝光日志一起上报,离线直接使用 如何解决曝光不足问题? 使用CTR的贝叶斯平滑(CTR = 曝光次数 / 点击次数) 所有新闻自 ...
- 个性化推荐系统设计(3.1)——如何评价个性化推荐系统的效果
准确率与召回率(Precision & Recall) 准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值,用来评价结果的质量.其中精度是检索出相关文档数与检索出的文档总数的比率 ...
- 智能个性化推荐系统设计
推荐系统构成 * 召回层 - 对海量的数据进行召回 * 排序层 - 对召回后的数据进行排序,排序结果返回给用户 推荐系统架构 基于物品的推荐系统架构 基于用户的推荐系统架构
- 【阅读笔记】联邦学习实战——联邦个性化推荐案例
联邦学习实战--联邦个性化推荐案例 前言 1. 引言 2. 传统的集中式个性化推荐 2.1 矩阵分解 2.2 因子分解机 3. 联邦矩阵分解 3.1 算法详解 3.2 详细实现 4 联邦因子分解机 4 ...
- 老板说“我们要做个性化推荐”时,你该怎么办......
PMCAFF(www.pmcaff.com):互联网产品社区,是百度,腾讯,阿里等产品经理的学习交流平台.定期出品深度产品观察,互联产品研究首选. 外包大师(www.waibaodashi.com): ...
- 【干货】史上最全个性化推荐技术资料包(附50余份技术文档下载链接)
不知不觉"智能推荐系统"公众号已经陪大家走过了整整一个年头,感谢朋友们的鼓励和认可,煽情的话就不多说了.给大家把推荐相关的干货文档又整理了一遍,送给大家,希望对大家多少有点儿帮助. ...
最新文章
- IDEA设置单个文件、单个包、单个项目的编码格式
- 开发工业上位机 用pyqt5_用Pyqt5开发的基于MTCNN、FaceNet人脸考勤系统
- Windows 下的 7 种 DLL 劫持技术
- oss图片数据转图片二进制数据_图片数据不够快来试试这些数据增强
- oraclesqldeveloper 批量插入多个存储过程_MongoDB如何批量执行写操作
- 8口poe交换机产品介绍
- Java数据库篇6——多表查询
- java控制单元测试_java – 当单元测试控制器时,模拟一个Spring Validator
- linux四剑客-grep/find/sed/awk/详解-技术流ken
- 承接各类软件开发项目
- Spring boot的helloword
- vc access mysql_VC中访问Access数据库的方法
- 填写【2fpmi2j】
- php获取当前文件夹下所有图片大小,PHP获取文件夹大小函数用法实例
- Git amend 修改上次提交
- 安霸Ambarella三款CV系列芯片对比--CV2S、CV22S、CV25S
- office办公所有版本齐全
- [MRCTF2020]Ez_bypass
- 全景图的种类、360度三维实拍全景
- 修改Discuz! X2标题、底部和Archiver页面的版权信息
热门文章
- Arduino—舵机控制
- ae怎样设置gpu渲染
- java逻辑值_java、 若x = 5,y = 10,则x y和x = y的逻辑值分别为 和 。...
- A-LOAM/LOAM/Lego-LOAM/SC_Lego_LOAM实时构建3d点云地图与2d栅格地图(octomap)
- 25年前广州街头未见“美军”
- 数据结构与算法之Python实现——单链表
- CMOS电平的频率限制为什么一般在200M以内
- 小程序miniprogram自动化上传,不需要依赖微信开发者工具
- 云计算系统测试之技术概念
- 惠普HP dc7900的BIOS如何开启虚拟化VT设置