知识卡片
用户近邻与物品近邻不同
基于用户的方法找喜好相近的人再参考其偏好;基于物品的方法找相似物品再参考目标用户已交互项。完整两两表成本分别约随用户数或物品数平方增长,可作为选择线索,但稀疏度、更新与效果也重要,不能只按数量判定最优。
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
- 第10章 kNN:推荐系统 R语言程序包安装数据 · 连续片段1 · 查看原书依据
基于物品(item-based)的方法。另一种方法是,我们先利用kNN算法找到与目标用户品味比较相近的用户,然后根据这些品味相近的用户的喜好来为目标用户进行推荐,这种方法称为基于用户(user-based)的方法。 两种方法听上去都比较合理,不过在一个具体的应用中,总会有某一种方
参考来源
- 位置:《机器学习:实用案例解析》第10章《R语言程序包安装数据 · 连续片段1》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3118.html,spine3224)
- 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。
- 原始内容:基于物品(item-based)的方法。另一种方法是,我们先利用kNN算法找到与目标用户品味比较相近的用户,然后根据这些品味相近的用户的喜好来为目标用户进行推荐,这种方法称为基于用户(user-based)的方法。 两种方法听上去都比较合理,不过在一个具体的应用中,总会有某一种方