知识卡片
用户邻域与物品邻域
同一张评分矩阵可以按两种方向找邻居。基于用户:对目标用户 u,先在用户中找评分历史相似的人组成 N(u),再把这些邻居评价过而 u 未评价的物品推荐给 u;基于物品:对目标物品 i,先找与 i 被同一批人打出相似分数的物品组成 N(i),再把与 u 已喜欢物品相似的物品推给 u。“喜欢”不必是打分,浏览、关注、点击、购买都可作为信号。二者都属于基于邻居的方法:邻居就是距离近、相似度高的对象,物以类聚。与 KNN 的类比是,KNN 只用协变量算距离,再用邻居目标变量的众数或均值预测;推荐系统则用评分向量定义距离,再用邻居评分预测缺失格。
结构图:
flowchart TD
U["目标用户 u"] --> NU["找相似用户 N(u)"]
NU --> RU["汇总邻居对物品 i 的评分"]
I["目标物品 i"] --> NI["找相似物品 N(i)"]
NI --> RI["汇总用户 u 对邻居物品的评分"]
RU --> P["预测 r_ui"]
RI --> P
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
- · 第9章 推荐系统
原书出处 · 1 处
- 第9章 推荐系统 · 查看原书依据
简单地说,基于用户的推荐就是对每个用户,寻找与他的喜好相似的其他用户,并将相似用户的物品推荐给该用户;基于物品的推荐则是寻找相似的物品,向每位用户推荐与他喜欢的物品相似的物品。
参考来源
- 位置:《大数据挖掘与统计机器学习》第9章 推荐系统(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter11_0004.xhtml,9.1 基于邻居的推荐)
- 结论依据:原文先给出邻居的一般定义与 KNN 类比,再分别说明基于用户和基于物品的推荐各寻找什么样的相似对象。
- 原始内容:简单地说,基于用户的推荐就是对每个用户,寻找与他的喜好相似的其他用户,并将相似用户的物品推荐给该用户;基于物品的推荐则是寻找相似的物品,向每位用户推荐与他喜欢的物品相似的物品。