推荐算法
-
推荐模型构建流程
-
协同过滤推荐算法
推荐模型构建流程
Data(数据)->Features(特征)->ML Algorithm(机器学习算法)->Prediction Output(预测输出)
-
数据清洗/数据处理
-
数据来源
-
显性数据
-
Rating 打分
-
Comments 评论/评价
-
-
隐形数据
-
Order history 历史订单
-
Cart events 加购物车
-
Page views 页面浏览
-
Click-thru 点击
-
Search log 搜索记录
-
-
-
数据量/数据能否满足要求
-
特征工程
-
从数据中筛选特征
-
一个给定的商品，可能被拥有类似品味或需求的用户购买
-
使用用户行为数据描述商品
-
-
用数据表示特征
-
将所有用户行为合并在一起 ，形成一个user-item 矩阵
-
-
选择合适的算法
-
产生推荐结果
最经典的推荐算法：协同过滤推荐算法（Collaborative Filtering）
算法思想：物以类聚，人以群分
基本的协同过滤推荐算法基于以下假设：
-
“跟你喜好相似的人喜欢的东西你也很有可能喜欢” ：基于用户的协同过滤推荐（User-based CF）
-
“跟你喜欢的东西相似的东西你也很有可能喜欢 ”：基于物品的协同过滤推荐（Item-based CF）
实现协同过滤推荐有以下几个步骤：
-
找出最相似的人或物品：TOP-N相似的人或物品 通过计算两两的相似度来进行排序，即可找出TOP-N相似的人或物品
-
根据相似的人或物品产生推荐结果 利用TOP-N结果生成初始推荐结果，然后过滤掉用户已经有过记录的物品或明确表示不感兴趣的物品
以下是一个简单的示例，数据集相当于一个用户对物品的购买记录表：打勾表示用户对物品的有购买记录
-
关于相似度计算这里先用一个简单的思想：如有两个同学X和Y，X同学爱好[足球、篮球、乒乓球]，Y同学爱好[网球、足球、篮球、羽毛球]，可见他们的共同爱好有2个，那么他们的相似度可以用：2/3 * 2/4 = 1/3 ≈ 0.33 来表示。
User-Based CF
Item-Based CF
