您现在的位置是：首页 > 故事语录 > 励志语录励志语录
协调过滤推荐算法(推荐 协同过滤)
admin2022-11-15 06:56:37励志语录135人已围观
简介协调过滤推荐算法(推荐协同过滤),本文通过数据整理汇集了协调过滤推荐算法(推荐协同过滤)相关信息，下面一起看看。温馨提示：本文已超过305天未更新。请注意相关内容是否还有！主流的协同推荐算法大致可以分为三类：基于内容的推荐算法
协调过滤推荐算法(推荐 协同过滤),本文通过数据整理汇集了协调过滤推荐算法(推荐 协同过滤)相关信息，下面一起看看。
温馨提示：本文已超过305天未更新。请注意相关内容是否还有！
主流的协同推荐算法大致可以分为三类：基于内容的推荐算法、协同过滤推荐算法和基于知识的推荐算法。
这是什么推荐算法？你好，因为你收藏了这首歌
基于用户的协同过滤算法和基于项目的协同过滤的基本概念是把这种推荐方法变成一个自动化的过程。什么是推荐算法？
推荐算法最早是在1992年提出的，其实是近几年才流行起来的。由于互联网的爆炸式增长，我们可以获得更大的数据量，推荐算法有很大的潜力。
一开始，所以我们在网上搜索信息，我们都进入雅虎，然后通过不同的类别点击，找到你想要的。这是一个手动过程。后来我们用google直接搜索我们需要的东西，这些都能准确的找到你想要的东西。然而，不知道自己要找的是什么，该怎么办？最典型的例子就是，如果我打开豆瓣找一部电影，或者我买了之后说，我其实不知道我想买什么或者看什么，那么推荐系统就可以派上用场了。
推荐算法的条件
自1992年以来，推荐算法已经发展了20年。当然有各种各样的推荐算法，但是不管怎样，有几个条件是无法避免的。这是推荐的基本条件。
根据一起喜欢的人推荐你。
找一些和你喜欢的物品相似的东西推荐给你。
根据你给的关键词推荐你，这其实退化成了一种搜索算法。
综合以上条件，我推荐给你
其实现有的条件就这些了。至于如何利用这些条件，八仙有自己的神奇力量。这些年来，出现了一些不错的算法，本文今天要讲的基于用户的协同过滤算法就是其中之一。也是最早的推荐算法，基本思想一直到今天都没有改变，只是在处理速度和相似度计算算法上有些不同。
基于用户的协同过滤算法
让我们根据用户描述做一个词法分析。这个算法是以用户为中心的。这种以用户为中心的算法，强调的是社交属性，也就是说，这种算法更强调推荐其他用户与你有相似爱好的物品，它对应的是基于物品的推荐算法，更强调向你推荐与你喜欢的物品相似的物品。
然后是协同过滤。所谓协作，就是大家一起帮你，后面还有一个过滤，就是大家讨论后把结果告诉你，否则信息量太大。
所以，总结一下，就是这样一个算法。那些和你有相似爱好的朋友会一起讨论，然后告诉你你会喜欢什么。
相似度计算
我们尽量不使用复杂的数学公式。第一，我们害怕人们不能理解他们。第二，我用mac写博客，画公式太麻烦。
计算相似度有两种经典算法。
Jaccard算法，即交集除以并集，详情可以看我的文章。
余弦距离相似度算法被广泛应用，一般用于计算向量之间的相似度。具体配方谷歌一下，或者看看这里。
其他各种算法，比如欧氏距离算法等等。
不管是使用jaccard还是余弦算法，我们本质上要做的是找到两个向量的相似性。使用哪种算法完全取决于实际情况。
本文使用余弦距离相似度来计算两个用户之间的相似度。
k个最接近目标用户的用户
我们知道，在寻找和你兴趣爱好相似的朋友时，我们可能会找到上百个，但有的是好朋友，有的只是普通朋友。所以一般我们会设置一个数字K，和你最相似的K个朋友就是你的好朋友，他们的兴趣爱好可能和你相似。不如让他们给你推荐点东西(比如肥皂)。
如何用python实现基于用户的协同过滤算法？书中的程序自带数据集，你也可以自己从网上下载数据集。其实就是跑着去验证。重要的是要思考你需要把它应用到哪里。目前，用户间相似性的度量主要有三种：余弦相似性、相关相似性和修正余弦相似性。余弦：用户-项目评分矩阵可视为N维空间中的向量，对于不评分的项目，评分值设置为0。余弦相似性度量* * *通过计算向量之间的余弦角来度量用户之间的相似性。假设向量I和J分别代表用户I和用户J在N维空间的得分，基于协同过滤的电子商务个性化推荐算法研究用户I和用户J的相似度：adjusted余弦相似度：余弦相似度不考虑用户得分尺度的问题。例如，在评分区间[1-5]的情况下，用户A喜欢3分以上的分数，而用户B喜欢4分以上的分数。改进的余弦相似性度量* * *通过减去用户对项目的平均评级来改善上述问题。用用户I和用户J共同打分的几个条目* * *和ii、life分别代表用户I和用户J打分的条目* * *那么用户I和用户J的相似度如下：相关性。这个* * *是用皮尔逊相关系数来衡量的。设iij表示用户I和用户J共同评分的项目* * *，用户I和用户J的相似度如下：
更多协调过滤推荐算法(推荐 协同过滤)相关信息请关注本站，本文仅仅做为展示！
很赞哦！ ()
相关文章
随机图文
| 留言与评论 （共有 条评论） |