← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9638.b · 生成模型:DeepSeek-V4.1-Flash

邻居评分的加权平均

理解等级:中级

设 N 个用户、M 个物品,评分矩阵 R 为 N×M 阶,元素 r_ui 是用户 u 对物品 i 的评分,大量缺失值表示未观看或未打分。记 N(u) 为用户 u 的邻居,N_i(u) 为评价过物品 i 的邻居子集;最朴素的预测是把 N_i(u) 的评分取平均。若邻居与 u 的相似度不同,用 ω_uv 加权:预测值等于 Σω_uv·r_vi 除以 Σ|ω_uv|,求和遍历 N_i(u)。ω_uv>0 表示喜好同向,ω_uv 表示喜好相反;分子保留符号,让反向邻居把预测往下拉,分母取绝对值只做归一化。基于物品的版本把用户换成物品:用 u 评过的、最像 i 的物品评分加权,权重为物品相似度 ω_ij。

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:《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_0001.xhtml,9.1 基于邻居的推荐) - 结论依据:原文以电影评分为例定义 R、r_ui 与邻居集合,先给简单平均,再给带相似度权重的加权平均,并特别说明分子不取绝对值、分母取绝对值。 - 原始内容:式中的相似度ωuv可以大于0,表示用户u与用户v 的喜好正向相似;也可以小于0,表示用户u与用户v之间的喜好相反。