文章目錄

• 推薦算法
• • 1 協同過濾算法
  • • 1.1 算法概述

推薦算法

推薦系統的核心問題是為用戶推薦與其興趣相似度比較高的商品。 此時需要一個函數f(x)來計算候選商品與用戶之間的相似度，并向用戶推薦相似度比較高的商品。為了能夠預測出函數f(x)，可以利用的歷史數據主要有：用戶的歷史行為數據、與該用戶相關的其他用戶信息、商品之間的相似性、文本的描述等等。

假設集合C表示所有的用戶，集合S表示所有需要推薦的商品。函數f表示商品x到用戶
c之間的有效性的效用函數：

其中，R是一個全體的排序集合，對于每一個用戶c∈C，希望從商品的集合中選擇出商品，即s∈S，以使得應用函數f的值最大。

1 協同過濾算法

協同過濾算法是最基本的推薦算法，CF算法從用戶的歷史行為數據中挖掘出用戶的興趣，為用戶推薦其感興趣的項。 根據挖掘方法的不同，協同過濾算法可以分為基于用戶的協同過濾算法和基于項的協同過濾算法。

1.1 算法概述

基于用戶的協同過濾算法是基于一個這樣的假設：跟你喜好相似的人喜歡的東西你也很有可能喜歡。所以基于用戶的協同過濾的主要任務是找出用戶的最近鄰居，從而根據最近鄰居的喜好做出未知項的評分預測。

用戶評分：可以分為顯性評分和隱性評分兩種。顯性評分就是直接給項目評分，隱性評分就是通過評價或者購買的行為給項目評分。

尋找最近鄰居：這一步就是為了尋找與你距離最近的用戶，測算距離一般采用三種算法，即皮爾森相關系數、余弦相似性和調整余弦相似性。

推薦：產生了最近鄰居集合后，就根據這個集合對未知項進行評分預測。把評分最高的N個項推薦給用戶。

這種算法存在性能上的瓶頸，當用戶數越來越多的時候，尋找最近鄰居的復雜度也會大幅度增加。因而這種算法不能滿足即時推薦的要求，基于項的協同過濾就解決了這一問題。

基于項的協同過濾與基于用戶的算法相似，只不過第二步改為計算項之間的相似度。由于項之間的相似度比較穩定，可以在線下進行，所以解決了基于用戶的協調過濾存在的問題。

未完待續

總結

以上是生活随笔為你收集整理的机器学习——推荐算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。