推荐系统的数据挖掘方法
2011-02-26 13:44
239 查看
1. 推荐系统中的数据挖掘流程
2. 数据预处理
(1) 相似性度量
欧式距离
闵可夫斯基距离
协方差距离(Mahalanobis distance)
Cosine distance
Pearson distance
常用的距离:Pearson distance 和 cosine distance
3. 采样 sampling、
参看数据挖掘的教材
4. 降维 ---Reducing dimansionality
主要功能:将已知数据转化成的低维的数据集,同时数据的主要特性不能发生变化
常用的降维的方法:SVD和PCA
PCA:
主要的思想: 进行主元分析,去掉那些相对重要性较低的元,达到降维的作用的,具体的实现方式见:
http://blog.csdn.net/scmyyan/archive/2011/02/26/6209231.aspx
SVD:
2. 数据预处理
(1) 相似性度量
欧式距离
闵可夫斯基距离
协方差距离(Mahalanobis distance)
Cosine distance
Pearson distance
常用的距离:Pearson distance 和 cosine distance
3. 采样 sampling、
参看数据挖掘的教材
4. 降维 ---Reducing dimansionality
主要功能:将已知数据转化成的低维的数据集,同时数据的主要特性不能发生变化
常用的降维的方法:SVD和PCA
PCA:
主要的思想: 进行主元分析,去掉那些相对重要性较低的元,达到降维的作用的,具体的实现方式见:
http://blog.csdn.net/scmyyan/archive/2011/02/26/6209231.aspx
SVD:
相关文章推荐
- 推荐系统中的数据挖掘方法---《推荐系统技术、评估及高效算法》---读书笔记(2)
- 数据挖掘-二分网络上的链路预测:兴趣推荐系统-电影推荐
- 协同过滤(推荐方法)——数据挖掘
- 数据推荐系统系列 8种方法之一 CosSim余弦相识性方式
- 海量数据挖掘MMDS week4: 推荐系统之数据降维Dimensionality Reduction
- 数据推荐系统系列 8种方法之一 User-CF 方式
- 面向程序员的数据挖掘指南-----第二章:推荐系统入门
- 海量数据挖掘MMDS week4: 推荐系统之数据降维Dimensionality Reduction
- 数据推荐系统系列 8种方法之零 简单方式 SlopeOne 方式 (补充简单的方式)
- Freebsd系统故障导致系统不能正常启动的恢复数据方法[图] 推荐
- 数据挖掘的常见方法 推荐
- 推荐系统方法(利用用户行为数据)
- 数据挖掘算法-矩阵分解在推荐系统中的应用
- 关于数据挖掘推荐系统实现
- 机器学习大数据数据挖掘推荐系统相关资源
- 数据挖掘:用户推荐系统技术深度揭秘
- 海量数据挖掘MMDS week4: 推荐系统之数据降维Dimensionality Reduction
- 数据挖掘项目之---通过对web日志的挖掘来实现内容推荐系统
- (第9篇)大数据的的超级应用——数据挖掘-推荐系统
- 关于数据挖掘推荐系统实现