← 返回刚才阅读的位置

知识卡片

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

离散评分的示性投票

理解等级:中级

当评分是离散类别,例如“好、中、差”记为 1、2、3,或 S={1,…,K},预测就从回归变成在 K 个等级中选一个。对每个候选等级 r,统计邻居中有多少人恰好打了 r 分,并按相似度加权:score(u,i,r)=Σω_uv·δ(r_vi=r),求和遍历 N_i(u),δ(·) 是示性函数,条件成立取 1、否则取 0。然后取得分最大的等级作为预测:预测评分等于使 score 最大的 r。这相当于让相似邻居投票,相似度是票的重量。若先做标准化,则把 S 映射为 S′,在 S′ 上投票再映射回来。基于物品的版本把邻居换成 u 评过的相似物品。该方法只比较票数,隐含把等级当作无序标签,等级之间的距离信息未被利用。

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

    • 第9章 推荐系统 · 查看原书依据

      除了上述连续型评分,往往还有离散类别的评分,比如“好”、“中”、“差”用数字1, 2,3表示。以基于用户相似度的分类为例,假设一部电影的评分可以从S={1,2, …, K}共K 个分数选项中进行选择,尝试利用邻居的打分来确定一个用户最可能的打分。

    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:原文说明离散评分有 K 个选项,用示性函数统计邻居在各等级上的加权票数,再取最大者作为预测,并给出标准化后的版本。 - 原始内容:除了上述连续型评分,往往还有离散类别的评分,比如“好”、“中”、“差”用数字1, 2,3表示。以基于用户相似度的分类为例,假设一部电影的评分可以从S={1,2, …, K}共K 个分数选项中进行选择,尝试利用邻居的打分来确定一个用户最可能的打分。