【精品】ppt课件 数据挖掘之推荐算法入门（阿里大数据竞赛参赛经历）.ppt

算法2：逻辑回归(Logistic regression) 组成1：回归 回归是对已知公式的未知参数进行估计。 如已知公式是y = a*x + b，未知参数是 a 和 b。我们现在有很多真实的(x,y)数据（训练样本），回归就是利用这些数据对 a 和 b 的取值去自动估计。 推荐算法 算法2：逻辑回归(Logistic regression) 组成2：线性回归 如鞋子定价与鞋子销量的问题。y = a*x + b，x是价钱，y是销售量。假设它们满足线性关系，线性回归即根据往年数据找出最佳的a, b取值，使 y = a * x + b 在所有样本集上误差最小。 推荐算法 线性回归示例 算法2：逻辑回归(Logistic regression) 组成2：线性回归 如鞋子定价与鞋子销量的问题。y = a*x + b，x是价钱，y是销售量。假设它们满足线性关系，线性回归即根据往年数据找出最佳的a, b取值，使 y = a * x + b 在所有样本集上误差最小。 一元变量关系比较直观，但若是多元就难以直观的看出来了。比如说除了鞋子的价格外，鞋子的质量，广告的投入，店铺所在街区的人流量都会影响销量，我们想得到这样的公式：sell = a*x + b*y + c*z + d*γ + e。这个时候画图就画不出来了，规律也十分难找，这时就得交给线性回归程序去完成。 推荐算法 算法2：逻辑回归(Logistic regression) 组成3：Logsitic方程 上面提到的 sell 计算出来是一个数值，但我们需要的是一个[0, 1]，类似概率的值，于是引入了 Logistic 方程，来做归一化。 所以逻辑回归就是一个被Logistic方程归一化后的线性回归。 推荐算法 线性回归 逻辑回归 算法2：逻辑回归(Logistic regression) 实现：使用算法库 R语言、Python等都有逻辑回归的算法库，使用方便。最重要的还是要提取相关特征，逻辑回归的效果直接取决于特征的选取（当然，追求更好的效果就需要去优化算法的实现）。 推荐算法 逻辑回归代码示例 算法3：协同过滤(Collaborative Filtering) 基于用户的协同过滤算法是推荐系统中最古老的算法。可以不夸张地说，这个算法的诞生标志了推荐系统的诞生。 在个性化推荐系统中，当用户A需要个性化推荐时，可以先找到和他有相似兴趣的其他用户，然后把那些相似兴趣用户喜欢的、而用户A没有听说过的物品推荐给A。这种方法称为基于用户的协同过滤算法。 基于用户的协同过滤算法主要包括两个步骤。 找到和目标用户兴趣相似的用户集合。 将这个集合中用户喜欢的，且目标用户没有听说过的物品推荐给目标用户。 相对应的，还有基于物品的协同过滤算法，比如给喜欢《射雕英雄传》的用户推荐《天龙八部》，因为这两部作品都是武侠小说，且作者都是金庸。 推荐算法 算法3：协同过滤(Collaborative Filtering) 协同过滤算法的核心是计算相似度，以基于物品的协同过滤为例： 推荐算法 左边每一行代表一个用户感兴趣的物品集合 中间是某用户感兴趣物品的相似矩阵 右侧是所有用户感兴趣物品相似矩阵相加的结果 最后进行归一化就可得到一个[0,1]的物品相似度矩阵 算法3：协同过滤(Collaborative Filtering) 推荐算法 基于用户的协同过滤（User CF） (用户A和用户C都喜欢物品A、C) 基于物品的协同过滤（Item CF） (喜欢物品A的人也喜欢物品C) 基于物品的协同过滤推荐示例 给用户推荐《算法导论》，是因为这本书和《C++ Primer中文版》和《编程之美》都相似，相似度分别为 0.4 和 0.5。 而用户对《C++ Primer中文版》的兴趣度是1.3，对《编程之美》的兴趣度是0.9，那么用户对《算法导论》的兴趣度就是1.3 ×0.4 + 0.9×0.5 = 0.97。 逻辑回归与协同过滤的比较 最主要的一个区别是应用场景不同：逻辑回归针对的是已有交互的物品，而协同过滤则主要针对没有交互过的物品。 如购物网站的推荐系统， 逻辑回归可以推荐给用户，其浏览过且较有可能购买的商品； 协同过滤则可以推荐给用户，其未浏览过但可能感兴趣的商品。 推荐算法 亚马逊的图书推荐主要使用了协同过滤。 其他推荐算法： 随机森林(Logistic regression) 支持向量机SVM 神经网络