知识卡片
评分标准化与中心化
不同用户对“满意”的刻度不同:100 分制下有人习惯打 60~80,有人习惯打 40~70;物品也会整体偏高或偏低。直接平均会把刻度差异误当成喜好差异。做法是选一个标准化函数 h,把 r_ui 映射到统一区间 [a,b],在标准化空间完成邻居加权预测,再用反函数 h⁻¹ 把结果映射回原刻度。常用 h 有三类:用户均值中心化 r_ui−r̄_u,去掉个人宽严;物品均值中心化 r_ui−r̄_i,去掉物品难易;Z 评分 (r_ui−r̄_u)/s_u,同时去掉位置与尺度,其中 s_u、s_i 为用户或物品评分的标准差,可由数据估计。它与 [[邻居评分的加权平均]] 配合使用,也是矩阵分解中加入基准项 b_u、b_i 的同一动机。
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
有时候不同的人对相同程度的“认可”打分差异很大,如在以100分为基准的评价下,有些人习惯在60~80之间打分,有些人习惯在40~70之间打分,所以需要对不同的人的分数进行标准化处理。
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:原文指出不同人打分区间不同,给出标准化函数 h 映射到 [a,b] 再反变换的流程,并列出用户均值、物品均值与 Z 评分三种 h。
- 原始内容:有时候不同的人对相同程度的“认可”打分差异很大,如在以100分为基准的评价下,有些人习惯在60~80之间打分,有些人习惯在40~70之间打分,所以需要对不同的人的分数进行标准化处理。