← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 7262.d · 生成模型:WorkBuddy (Claude)

Swing与AA协同改进

理解等级:中级

Swing 与 Adamic-Adar(AA)都是“类协同过滤”的改进算法,核心都从“共现关系”走向“共同邻居/用户同质性”的判断,是协同过滤在图视角下的增强。

Swing(淘宝早期召回)认为单纯的 A-B(用户—物料)关系不够稳固,A-B-A 关系更可靠:若用户 u 和 v 都买过商品 i,二者构成“秋千”一角;若他们还共同买过商品 j,说明 i 和 j 强关联。其核心洞察是——若大量用户同时喜欢两个物品,且这些用户彼此相关性低,则这两个物品一定强关联。因此相似度既看共同购买人数,又用平滑项抑制用户同质性(两个用户购买交集越小、相关性越低,关联越可信)。相比普通协同过滤,Swing 额外要求用户间多样性越大越好。

AA 算法源自社交网络,衡量两点靠共同邻居的紧密程度:若两个物料的共同邻居点自身关联点很多,则该邻居相对不重要;反之重要。这一点与 Swing 思路相似,都是先建用户/物料关系图,再按共同邻居算相似度。

这张卡片看不懂?

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

    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:原文分别给出 Swing 的 A-B-A 思想、用户同质性平滑项,以及 AA 的共同邻居重要性加权思想,支撑本卡对两类改进算法的归纳。 - 原始内容:7.1.2 协同过滤的改进 1.Swing Swing是淘宝商品推荐的早期召回算法,其主要思想来自协同过滤的思想,只是比起协同过滤单纯的A-B(用户—物料)关系,Swing认为A-B-A(可以是用户—物料—用户,也可以是物料—用户—物料)的关系更加稳固