知识卡片
协同过滤召回机制与评分矩阵
协同过滤早期用于精排,随算力提升被广泛用于召回层。它的核心逻辑是“共现性”:通过用户与物料的历史交互(点击、评分、消费时长等)去推断关系,分别挖掘物料—物料、用户—物料、用户—用户之间的相似,从而把目标用户还没见过、但相似用户/相似物料相关的物料推给他。在用户行为足够丰富时,协同过滤个性化效果很好,业界强势的 Swing 召回即源于此。
实现的第一步是构建“评分矩阵”:行是用户、列是物料,单元格是偏好强度(显式评分或隐式行为)。由于物料库远大于单用户接触过的物料,这个矩阵天然高度稀疏。之后的标准流程是:1)找相似的用户或物料;2)预测目标用户对未交互物料的得分;3)按预测分排序召回。相似度常用欧氏距离或 Cosine 距离衡量。注意 Cosine 能缓解“苛刻用户整体打分偏低”的偏差,对评分做中心化(减均值)后再求 Cosine 即“中心化 Cosine”,适合缺失值多的情况。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 个性化召回层样本选择和模型选择 7.1 协同过滤召回 · 查看原书依据
通常来说,在用户的点击行为足够丰富的情况下,协同过滤召回具有很好的个性化
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第7章《个性化召回层样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/63.html;src-042)
- 结论依据:原文指出协同过滤依据用户和物料共现性召回,并解释评分矩阵的稀疏性、相似度度量及推荐三步流程,支撑本卡结论。
- 原始内容:通常来说,在用户的点击行为足够丰富的情况下,协同过滤召回具有很好的个性化