机器学习-面试机器学习updated.pptVIP

*/81 评价推荐系统的其他指标 覆盖率： 考虑不同商品出现的次数(概率)，则可用信息熵或基尼系数。 多样性： 惊喜度(serendipity)：满意度/相似度 用户惊喜来自于和用户喜欢的物品不相似，但用户却觉得满意的推荐。 */81 总结与思考 根据用户观影数据，如何计算电影之间的相似度？ 遍历用户观看的电影列表，得到每个电影所对应的用户列表，然后调用前述代码即可。 Item-Based/User-Based 如果电影M1非常流行，相当数目的人都看过；电影M2流行度偏低，则如果两人都看过M2，则他们的相似度应该更高。 适当提高非流行商品的权值。 基于用户行为的数据而设计的推荐算法被称为协同过滤算法(Collaborative Filtering, CF)。 ItemCF/UserCF */81 基于用户和基于商品的比较 《推荐系统实践》项亮 著，人民邮电出版社，2012.6 */81 SVD的提法 奇异值分解(Singular Value Decomposition)是一种矩阵分解方法，可看做对称方阵在任意矩阵上的推广。 Singular：突出的、奇特的、非凡的 似乎更应该称之为“优值分解” 假设A是一个m×n阶实矩阵，则存在一个分解使得： 将奇异值由大而小排列。则Σ便能由A唯一确定了。 理论上的作法： */81 Code */81 K-means的目标函数 记K个簇中心