协作型过滤算法及在推荐系统的应用.pptVIP

协作型过滤算法及其在推荐系统的应用 推荐系统 什么是协同过滤 也可叫做“协作型过滤” 基于假设：为用户找到他感兴趣的内容的方法是，首先找到与他兴趣相似的用户，然后将这些用户感兴趣的内容推荐给此用户 协同过滤 基于用户（User-based） 1.随着用户数量的不断增多，在大数量级的用户范围内进行“最近邻搜索”会成为整个算法的瓶颈 基于物品（Item-based） 1.能够引起用户兴趣的项，必定与其之前评分高的项相似 2.它们之间的相似性要稳定很多，因此可以离线完成工作量最大的相似性计算步骤，从而大大降低了在线计算量 算法步骤 收集可以代表用户兴趣的信息 最近邻搜索，计算相关度 生成推荐结果 寻找相似用户 方法1：欧几里得距离 方法2：皮尔逊相似度 欧几里得距离 皮尔逊相关度 1.收集用户信息 2.寻找相似用户（欧几里得） 2.寻找相似用户（皮尔逊） 2.寻找相似用户 3.推荐物品 获得对每一件物品的预测分数 3.推荐物品 3.推荐物品3.2 获得对每一个物品的预测评分 1.使用sim_distance(欧几里得距离) 2.使用sim_pearson(皮尔逊相似度) 基于用户过滤还是基于物品过滤 数据稀疏问题 冷启动问题 推荐质量取决于历史数据集 Thanks * * Amazon Inspired by your shoppin