本文共計1245字，預計閱讀時長八分鐘

推薦演算法(二）--CF演算法

一、推薦的本質

推薦分為非個性化和個性化，非個性化推薦比如各類榜單，而本系列主要介紹個性化推薦，即：

在合適的場景，合適的時機，通過合適的渠道，把合適的內容，推薦給合適的使用者

二、推薦演算法的種類

1. 基於內容Content Based

2. 基於協同Collaboration Filtering

– User Based CF

– Item Based CF

三、CF演算法詳解

1. 原理框架

原理：

① User-Based CF

a.假設使用者喜歡那些跟他有相似愛好的使用者喜歡的東西

b.假設具有相似興趣的使用者在未來也具有相似興趣

c.給定使用者

u，找到一個使用者的集合N(u)，他們和u具有相似的興趣，將N(u)喜歡的物品推薦給使用者

②Item-Based CF

a.假設使用者喜歡跟他過去喜歡的物品相似的物品

b.假設歷史上相似的物品在未來也相似

c.給定使用者u，找到他過去喜歡的物品的集合R(u)，把和R(u)相似的物品推薦給u.

優點：

a.充分利用群體智慧

b.推薦精度高於CB

c.利用挖掘的隱含相關性

缺點：

a.解釋性較差

b.對時效性強的item不適用

c.冷啟動問題

2. 處理過程：

① 資料準備：

使用者user_id，物品item_id，打分score（score可以是使用者對某件物品的評分，或者是根據使用者行為計算出的偏好度得分，如曝光，點選

，收藏的加權得分，具體權重可以參考漏斗模型），如下：

user_id item_id score

id1 item1 3

id1 item2 2

id2 item2 2

id3 item3 4

... ... ...

②計算相似性矩陣：

CF演算法的關鍵在於得到user或item的相似度矩陣，下面以User_Based為例。

使用者之間的相似度計算，是基於對相同的物品打過分，可以將各個分值，聯合起來作為一個向量，然後計算餘弦相似度：

去重後即得到上面的相似度矩陣。

③推薦：

根據相似度矩陣，選擇與目標使用者相似度最高的幾位使用者，在第一張表中選取各自打分較高的物品，形成一個推薦候選集合，準備推薦給目標使用者（對於新聞

，電影之類的資料可以在去重後再推送）

注：如果是Item_Based的演算法，則是計算各個item之間的相似度矩陣，即對兩個item都打過分的id的打分情況作為向量，同理得到item的相似度矩陣。

item1 [id1:2, id2:3, id5:2] (2,3,2)

item2 [id1:3, id2:1, id5:1] (2,1,1)

3. 問題：

① 冷啟動及對應方案

case1：使用者冷啟動

• 提供熱門排行榜，等使用者資料收集到一定程度再切換到個性化推薦

• 利用使用者註冊時提供的年齡、性別、IP、登入時間等資料做粗粒度的個性化

• 利用使用者社交網路賬號，匯入使用者在社交網站上的好友資訊，然後給使用者推薦其好友喜歡的物品

• 在使用者新登入時要求其對一些物品進行反饋，收集這些興趣資訊，然後給使用者推薦相似的物品

case2：物品冷啟動

• 將新物品推薦給可能對它感興趣的使用者，利用內容資訊，將他們推薦給喜歡過和它們相似的物品的使用者

• 物品必須能夠在第一時間展現給使用者，否則經過一段事件後，物品的價值就大大降低了

• UserCF和ItemCF都行不通，只能利用Content based解決該問題，頻繁更新相關性資料

case3：系統冷啟動

• 引入專家知識，通過一定高效方式迅速建立起物品的相關性矩陣

② Item_Based和Content-Based的區別

• 區別在於的CB中相似度是根據item的屬性向量計算得到，而CF中是根據所有使用者對item的評分向量計算得到。

③ ALS 交替最小二乘（Alternating Least Squares）

• 算是ml中對CF演算法的一種優化

• 對於一個users-items-score的評分資料集，ALS會建立一個users*items的m*n的矩陣。其中，m為users的數量，n為items的數量。

• 這個資料集中，並不是每個使用者都對每個產品進行過評分，所以這個矩陣往往是稀疏的，使用者i對產品j的評分往往是空的。

• ALS所做的事情就是將這個稀疏矩陣通過一定的規律填滿，這樣就可以從矩陣中得到任意一個user對任意一個item的評分，ALS填充的評分項也稱為使用者i對物品j的預測得分。

以上。

ps：

CF程式碼數量較多

這次就沒附上

需要的同學私信我就好

pps：

資料探勘系列的筆記都整理好了

包括往期的NLP，分類，聚類演算法

有需要的同學可以去公眾號看看

每天向你推送最實用的乾貨，記得收藏點贊置頂哦~

找到焦慮的導火索——非理性信念

通過辯論發現其存在的不合理性

進一步產生理性信念

從而克服眼下及未來的焦慮

本文共計1245字，預計閱讀時長八分鐘

推薦演算法(二）--CF演算法

一、推薦的本質

推薦分為非個性化和個性化，非個性化推薦比如各類榜單，而本系列主要介紹個性化推薦，即：

在合適的場景，合適的時機，通過合適的渠道，把合適的內容，推薦給合適的使用者

二、推薦演算法的種類

1. 基於內容Content Based

2. 基於協同Collaboration Filtering

– User Based CF

– Item Based CF

三、CF演算法詳解

1. 原理框架

原理

相關推薦