推荐系统中的同现矩阵问题
2016-12-07 15:35
1431 查看
最近在研究Hadoop大数据方面的知识,正巧看到了推荐系统,其中里面有个同现矩阵很是让我蒙圈,查了很多blog之后,写下来与大家分享。
1.建立同现矩阵的过程
在协同过滤算法中同现矩阵的建立是极其关键的一部,原始数据如下:1,101,5.0 1,102,3.0 1,103,2.5 2,101,2.0 2,102,2.5 2,103,5.0 2,104,2.0 3,101,2.0 3,104,4.0 3,105,4.5 3,107,5.0 4,101,5.0 4,103,3.0 4,104,4.5 4,106,4.0 5,101,4.0 5,102,3.0 5,103,2.0 5,104,4.0 5,105,3.5 5,106,4.0第一个数字是用户ID,第二个数字是电影ID,最后一个数字是用户对该影片的打分结果。首先看到用户1,观看了101,102,103。则按照同现矩阵的思想,对(101,101)、(101,102)、(101,103)(102,101)、(102,102)、(102,102)(103,101)、(103,102)、(103,103)点位加一,表示用户1对101,102,103影片的关联程度加一,同理将其余4个用户对影片的关联程度都相加,得到同现矩阵如下:
2.建立用户评分矩阵
用户评分矩阵即为用户i对产品打分的矩阵表示,以用户3为例:U3 [101] 2.0 [102] 0.0 [103] 0.0 [104] 4.0 [105] 4.5 [106] 0.0
3.计算推荐得分
同现矩阵*用户评分矩阵=推荐分矩阵
由于同现矩阵的意思就是商品之间的关联程度,由于我们已经知道用户评分矩阵,所以即便用户对某一商品没有使用或者打分
但是根据其他相关联产品我们也可以得出一个推荐系统。
相关文章推荐
- userinit.exe丢失导致不能登录系统问题处理 推荐
- 巧用双系统并存解决硬件不足问题 推荐
- 矩阵分解在推荐系统中的应用
- 矩阵分解与推荐系统
- 推荐系统中矩阵分解简介(阅读感悟)
- 安装PCanywhere 10后系统丢失显卡驱动问题的解决 推荐
- 使用概率矩阵模型在推荐系统中整合多种信息
- 矩阵分解在推荐系统的应用
- 推荐系统五大问题
- 推荐系统中矩阵分解方法:svd,非对称svd和svd++的区别
- 屏蔽布线系统之热点问题 推荐
- 运营商需要重视计费系统的问题及相关效应 推荐
- 推荐系统五大问题
- 观察者模式之四:基于知识库的信息推荐系统(本科毕业论文,学术道德问题,严禁抄袭)
- 推荐系统的作用和问题
- 系统自动登录及盘符无法双击打开问题处理 推荐
- 推荐系统与协作过滤面临的主要问题
- 推荐系统的作用和问题
- 【学习笔记】读项亮的《推荐系统实践》_第三章推荐系统冷启动问题
- 解析同一系统安装RPM包的tomcat与压缩包tomact同时使用问题 推荐