大数据应用基础-推荐算法选读.pptx

推荐算法;课后小作业;客座演讲预告;推荐在生活中无处不在;什么是推荐系统;推荐对互联网公司的价值;推荐与搜索的差别;做个推荐系统不难;推荐的发展史;基于社交的推荐;基于社交的推荐;基于社交的推荐;好友推荐的例子;基于移动的推荐;基于移动的推荐;基于地域和社交的推荐的结合;常用推荐算法;;;推荐轰炸;效用矩阵的填充;效用矩阵的填充;隐式偏好的缺点：噪音大;用户个人资料的间接判断;时间因素的纳入;时间因素的纳入;推荐结果展现——推荐理由的表达;推荐结果展现——收集“负反馈”;算法评估;推荐系统的评价——离线算法评估;离线算法评估——RMSE;上述离线算法评估指标的局限性;推荐系统的评价——离线算法评估的其他指标还有：;推荐系统的评价——离线算法评估的其他指标还有：;推荐系统的评价——在线评测方法;基于内容的推荐;协同过滤;基于用户的协同过滤;基于??户的协同过滤;基于用户的协同过滤的一大缺点;基于物品的协同过滤;基于物品的协同过滤;基于物品的协同过滤的优缺点;在协同过滤中考虑到时间因素;在协同过滤中考虑到地域因素;矩阵分解的目的;矩阵分解的目的;矩阵分解;矩阵分解——SVD;最常用的矩阵分解方法：LFM;LFM——主题;LFM：主题、矩阵乘积;LFM中的两个矩阵;LFM的目标函数的最优化;LFM的目标函数最优化;LFM的目标函数;LFM的目标函数——正则项;LFM的目标函数——偏见;LFM的目标函数——隐式反馈;LFM的调参;Slope-one算法;基于关联规则的算法;推荐算法的集成;推荐算法的集成;推荐时不只根据偏好，经常也会根据物品质量;冷启动问题——对于新用户的推荐;冷启动问题——对于新物品的推荐;大众化品类不太适合个性化推荐;案例——用户偏好数据的交叉使用;案例——用户偏好数据的交叉使用;小结