推荐系统本质是如何预测评分的问题
2016-10-17 21:32
381 查看
推荐系统的目标是向用户推荐他没有体验过的那些物品,没体验过的物品有很多,推荐哪一个呢,这需要预测用户对某个物品的评分,评分高的物品被推荐给用户,所以推荐系统的本质其实是一个预测问题。
协同过滤会先算用户的相似度,然后把相似用户给物品的评分乘以两者的相似度,作为目标用户对物品的预测评分,预测评分大的加入推荐列表,说明协同过滤的最后还是预测。
矩阵分解也是预测问题,基于矩阵分解的推荐算法,简单入门
【我开始一直不明白矩阵分解和推荐系统有什么关系,后来理解了,矩阵分解就是为了预测稀疏(即包含很多未知数值,未知是因为用户没有体验过该物品,因此没有评分)的用户评分矩阵中,缺失(未知)的那些元素的具体是哪些值,假如能够预测出来,那么这些评分中分数最高的那些物品就是推荐列表所需要的】
推荐系统大致分成两类:协同式算法和基于内容的算法。
协同式算法又分为基于领域(Neighborhood-based)的算法和隐语义模型(Latent Factor Model).
基于领域的方法认为有做出相似评分的用户具有相似的偏好,而被给予相似评分的物品具有相似的属性。
隐语义模型则认为每个评分向量都是一系列因素(Factor)综合作用的体现。这些因素能从评分中推断出来。推断的方法主要是矩阵分解技术。
经典的矩阵分解方法是SVD,它能识别和减少具有相关性的因素的数量。但SVD需要完整的用户评分向量,而如果评分矩阵是稀疏的,它要求能够对稀疏矩阵进行填充,而且这样做会降低准确率。
协同过滤会先算用户的相似度,然后把相似用户给物品的评分乘以两者的相似度,作为目标用户对物品的预测评分,预测评分大的加入推荐列表,说明协同过滤的最后还是预测。
矩阵分解也是预测问题,基于矩阵分解的推荐算法,简单入门
【我开始一直不明白矩阵分解和推荐系统有什么关系,后来理解了,矩阵分解就是为了预测稀疏(即包含很多未知数值,未知是因为用户没有体验过该物品,因此没有评分)的用户评分矩阵中,缺失(未知)的那些元素的具体是哪些值,假如能够预测出来,那么这些评分中分数最高的那些物品就是推荐列表所需要的】
推荐系统大致分成两类:协同式算法和基于内容的算法。
协同式算法又分为基于领域(Neighborhood-based)的算法和隐语义模型(Latent Factor Model).
基于领域的方法认为有做出相似评分的用户具有相似的偏好,而被给予相似评分的物品具有相似的属性。
隐语义模型则认为每个评分向量都是一系列因素(Factor)综合作用的体现。这些因素能从评分中推断出来。推断的方法主要是矩阵分解技术。
经典的矩阵分解方法是SVD,它能识别和减少具有相关性的因素的数量。但SVD需要完整的用户评分向量,而如果评分矩阵是稀疏的,它要求能够对稀疏矩阵进行填充,而且这样做会降低准确率。
相关文章推荐
- 推荐系统实践--第七章:推荐系统实例 第八章:评分预测问题
- 推荐系统(recommender systems):预测电影评分--问题描述
- 推荐系统—影视评分预测
- 最近邻居推荐系统原理和基于用户的评分预测推荐
- 推荐系统—影视评分预测(续)
- 机器学习:个性化推荐之评分预测问题
- 推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法:低秩矩阵分解(low rank matrix factorization)
- 推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法:基于内容的推荐
- Netflix推荐系统:从评分预测到消费者法则
- 社会化推荐系统中用重叠社区正则化进行评分预测
- 推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法:协同过滤(collaborative filtering )
- 推荐系统(recommender systems):预测电影评分--构造推荐系统的一种方法:协同过滤(collaborative filtering )改进
- 我是如何为技术博客设计一个推荐系统(上):统计与评分加权
- Netflix推荐系统:从评分预测到消费者法则
- 推荐系统—影视评分预测
- Netflix推荐系统:从评分预测到消费者法则
- 课程推荐 | 手把手教你如何使用TensorFlow构建英语单词发音预测系统
- 如何解决Mysql "发生系统错误2,找不到指定的文件" 的问题(第一次安装使用)
- 如何预测银行业绩的问题
- Linux安装问题,如何在XP下安装Fedora Linux 9(.iso)构造双系统!!