Slope one推薦演算法原理
推薦演算法Slope one的原理
Slope One的基本概念很簡單, 例子1, 使用者X, Y和A都對Item1打了分. 同時使用者X,Y還對Item2打了分, 使用者A對Item2可能會打多少分呢?| User | Rating to Item 1 | Rating to Item 2 |
| X | 5 | 3 |
| Y | 4 | 3 |
| A | 4 | ? |
根據SlopeOne演算法, 應該是:4 - ((5-3) + (4-2))/2 = 2.5.
解釋一下. 使用者X對Item1的rating是5, 對Item2的rating是3, 那麼他可能認為Item2應該比Item1少兩分. 同時使用者Y認為Item2應該比Item1少1分. 據此我們知道所有對Item1和Item2都打了分的使用者認為Item2會比Item1平均少1.5分. 所以我們有理由推薦使用者A可能會對Item2打(4-1.5)=2.5分;
很簡單是不是? 找到對Item1和Item2都打過分的使用者, 算出rating差的平均值, 這樣我們就能推測出對Item1打過分的使用者A對Item2的可能Rating, 並據此向A使用者推薦新專案.
這裡我們能看出Slope One演算法的一個很大的優點, 在只有很少的資料時候也能得到一個相對準確的推薦, 這一點可以解決Cold Start的問題.
加權演算法
接下來我們看看加權演算法(Weighted Slope One). 如果有100個使用者對Item1和Item2都打過分, 有1000個使用者對Item3和Item2也打過分. 顯然這兩個rating差的權重是不一樣的. 因此我們的計算方法是
(100*(Rating 1 to 2) + 1000(Rating 3 to 2)) / (100 + 1000)
上面討論的是使用者只對專案的喜好程度打分.還有一種情況下使用者也可以對專案的厭惡程度打分. 這時可以使用雙極SlopeOne演算法(BI-Polar SlopeOne).
以上是Slope one的原理，接下來看看它在Mahout中是如何設計與實現的。
Mahout中Slope one的設計思路以及程式碼實現
先簡單介紹下，Mahout是Apache的一個開源專案，由Lucene專案組和Hadoop專案組分離出來，它實現了推薦引擎中的大部分經典演算法，有興趣的朋友可以研究研究首先我們需要基礎資料，即使用者對產品的評分，這部分資料可以來自資料庫也可以來自檔案，Mahout中對此設計了一個簡單的資料庫表，SQL如下：
?| 1 2 3 4 5 6 7 8 |
CREATETABLE
taste_preferences (user_idBIGINTNOT
NULL,
item_idBIGINTNOT
NULL,
preferenceFLOATNOT
NULL,
PRIMARYKEY
(user_id, item_id),
INDEX(user_id),
INDEX(item_id)
)
|
其次，Mahout在啟動時，會對這部分資料進行處理，算出每對產品間的平均評分差值，已Map<ItemId, Map<ItemId, Average>>的資料結構存放在記憶體中（當然這幫牛人沒有用Java中Map的實現，自己寫了一個叫FastByIDMap的類）。處理基礎資料的計算程式碼如下：
1. 首先獲取所有評過分的使用者id （7，而dataModel就是用於存放我上面提到的基礎）
2. 然後依次計算每個使用者評分過的產品間的平均評分差值 （9，具體在processOneUser中實現）
?| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
privatevoid
buildAverageDiffs() throwsTasteException
{
log.info("Building
average diffs...");
try{
buildAverageDiffsLock.writeLock().lock();
averageDiffs.clear();
long
averageCount
= 0L;
LongPrimitiveIterator
it = dataModel.getUserIDs();
while(it.hasNext())
{
相關推薦Slope one推薦演算法原理推薦演算法Slope one的原理 Slope One的基本概念很簡單, 例子1, 使用者X, Y和A都對Item1打了分. 同時使用者X,Y還對Item2打了分, 使用者A對Item2可能會打多少分呢? User Rating to Item 今日頭條推薦演算法原理解析今日頭條的內容主要來源於兩部分，一是具有成熟內容生產能力的PGC平臺，一是UGC使用者內容，如問答、使用者評論、微頭條。這兩部分內容需要通過統一的稽核機制。如果是數量相對少的PGC內容，會直接進行風險稽核，沒有問題會大範圍推薦。UGC內容需要經過一個風險模型的過濾，有問題的會進入二次風險稽核。稽核通過後，內容 今日頭條推薦演算法原理及詳解來源：https://www.toutiao.com/a6511211182064402951/ 基於使用者的協同過濾推薦演算法原理和實現在推薦系統眾多方法中，基於使用者的協同過濾推薦演算法是最早誕生的，原理也較為簡單。該演算法1992年提出並用於郵件過濾系統，兩年後1994年被 GroupLens 用於新聞過濾。一直到2000年，該演算法都是推薦系統領域最著名的演算法。 本文簡單介紹基於使用者的協同 分解機(Factorization Machines)推薦演算法原理對於分解機(Factorization Machines，FM)推薦演算法原理，本來想自己單獨寫一篇的。但是看到peghoty寫的FM不光簡單易懂，而且排版也非常好，因此轉載過來，自己就不再單獨寫FM了。 (adsbygoogle = wi Slope one:簡單高效的推薦演算法推薦系統最早在亞馬遜的網站上應用，根據以往使用者的購買行為，推薦出購買某種產品同時可能購買的其他產品，國內做的不錯的噹噹網,有時候買書，它總能給我推薦出我感興趣的其他書來，也算是技術極大的促進了銷售。 一般的協同過濾演算法，首先是收集使用者對事物（產品）的評分情況，一種直 協同過濾推薦演算法之Slope One的介紹Slope One 之一 : 簡單高效的協同過濾演算法(轉)( 原文地址：http://blog.sina.com.cn/s/blog_4d9a06000100am1d.html 現在做的一個專案中需要用到推薦演算法, 在網上查了一下. Beyo 協同過濾推薦之slope one演算法1.示例引入 比如說你在京東選購手機iphone和note7： 消費者用過後，會有相關的評分。 假設評分如下： 評分 iphone note7 小a 4 5 小b 4 3 小c 2 3 小d 3 ？ 問題：請猜測一下小d可能會給“note7”打多少分？ 推薦演算法--slope one根據SlopeOne演算法, 應該是:4 - ((5-3) + (4-3))/2 = 2.5. 解釋一下. 使用者X對Item1的rating是5, 對Item2的rating是3, 那麼他可能認為Item2應該比Item1少兩分. 同時使用者Y認為Item2應該比Item1少1分. 據此我們 推薦演算法之 slope one 演算法1.示例引入 多個吃貨在某美團的某家飯館點餐，如下兩道菜： 可樂雞翅： 紅燒肉： 顧客吃過後，會有相關的星級評分。假設評分如下： 評分 可樂雞翅 紅燒肉 小明 4 5 小紅 4 推薦演算法slope one之java實現import java.util.*; /** * Daniel Lemire A simple implementation of the weighted slope one algorithm in * Java for item-based collabora 使用者推薦Slope One演算法與mapreduce&hive實現使用者推薦越來越熱, Google使用MinHash, PLSI, LDA, SVD, SVM等演算法,分析使用者的喜好, 實現新聞的自動分類；新浪也用Slope One以及一些Item-based的演算法對音樂進行推薦; 淘寶定期會啟動MapReduce作業分析前一天或者 Slope one—個性化推薦中最簡潔的協同過濾演算法Slope One 是一系列應用於 協同過濾的演算法的統稱。由 Daniel Lemire和Anna Maclachlan於2005年發表的論文中提出。 [1]有爭議的是，該演算法堪稱基於專案評價的non-trivial 協同過濾演算法最簡潔的形式。該系列演算法的簡潔特 ［推薦演算法］Slope One演算法和其他類似演算法相比，最大特點是演算法簡單，易於實現，執行效率高 基本概念： 現在 使用者 X，Y，Z都對itemA進行評分，並且X，Y也對itemB進行了評分，那麼Z對itemB的評分應該是多少呢？ 根據 Slope One演算法，？= 4 - [( 5 - 10 基於線上評分的協同過濾演算法---Slope One演算法基於評分的協同過濾是根據其他使用者對A商品的評分預測一個使用者對A商品的評分的過程。我們提出了3個用f(x)=x+b來預測的相關的slope one 方案,如果有2個商品，這一個使用者對著2個商品都進行了打分，我們計算著2個產品的差值。slope one 演算法是很容易應用的，高效的查詢，合理的精度並且該演算 推薦系統遇上深度學習(二十)--貝葉斯個性化排序(BPR)演算法原理及實戰原創：石曉文 小小挖掘機 2018-06-29推薦系統遇上深度學習系列：排序推薦演算法大體上可以分為三類，第一類排序演算法類別是點對方法(Pointwise Approach)，這類演算法將排序問題被轉化為分類、迴歸之類的問題，並使用現有分類、迴歸等方法進行實現。第二類排序演算法是成對 推薦系統的常用演算法原理和實現推薦系統的出現 推薦系統的任務就是解決，當用戶無法準確描述自己的需求時，搜尋引擎的篩選效果不佳的問題。聯絡使用者和資訊，一方面幫助使用者發現對自己有價值的資訊，另一方面讓資訊能夠展現在對他感興趣的人群中，從而實現資訊提供商與使用者的雙贏。 推薦演算法介紹 【推薦演算法】今日頭條推薦系統原理據悉，今日頭條的資訊推薦演算法自2012年9月第一版開發執行至今，已經經過四次大調整和修改。目前服務全球億萬使用者。 以下為曹歡歡關於《今日頭條演算法原理》的分享內容（已授權）： 本次分享將主要介紹今日頭條推薦系統概覽以及內容分析、使用者標籤、評估分析，內容安全等 推薦系統遇上深度學習(二十)-貝葉斯個性化排序演算法原理及實戰排序推薦演算法大體上可以分為三類，第一類排序演算法類別是點對方法(Pointwise Approach)，這類演算法將排序問題被轉化為分類、迴歸之類的問題，並使用現有分類、迴歸等方法進行實現。第二類排序演算法是成對方法(Pairwise Approach)，在序列方法中 推薦演算法之FFM：原理及實現簡介推薦系統一般可以分成兩個模組，檢索和排序。比如對於電影推薦，檢索模組會針對使用者生成一個推薦電影列表，而排序模組則負責對這個電影列表根據使用者的興趣做排序。當把FFM演算法應用到推薦系統中時，具體地是應用在排序模組。 FFM演算法，全稱是Field-aware |