searchusermenu
  • 发布文章
  • 消息中心
点赞
收藏
评论
分享
原创

推荐算法推荐模型构建流程及协同过滤推荐算法

2023-04-25 01:50:03
182
0

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 img

  • 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 img

  • 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 img

  • 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 1545452707102

  • 选择合适的算法 img

  • 产生推荐结果 img

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:

  1. 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

  2. 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 img

    Item-Based CF img

0条评论
0 / 1000
w****n
2文章数
0粉丝数
w****n
2 文章 | 0 粉丝
w****n
2文章数
0粉丝数
w****n
2 文章 | 0 粉丝
原创

推荐算法推荐模型构建流程及协同过滤推荐算法

2023-04-25 01:50:03
182
0

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 img

  • 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 img

  • 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 img

  • 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 1545452707102

  • 选择合适的算法 img

  • 产生推荐结果 img

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:

  1. 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

  2. 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 img

    Item-Based CF img

文章来自个人专栏
推荐系统
2 文章 | 1 订阅
0条评论
0 / 1000
请输入你的评论
0
0