知识卡片
邻居选择的三条准则
邻居集合直接决定谁参与投票,是邻域推荐最需要调的因素。相似度大即相邻,具体筛选有三条准则:Top-M filtering 只保留最相似的前 M 个,规模固定、计算可控;Threshold filtering 保留相似度绝对值超过阈值 w_min 的对象,数量随数据自适应,但阈值难定;Negative filtering 主动剔除明显不相似的对象,避免负相似度或噪声干扰。三者可组合,例如先剔除负相关,再取 Top-M。M 过大引入噪声、预测趋近全局平均,M 过小则方差大、对个别评分敏感,需要在验证集上权衡。筛选之后才进入 [[邻居评分的加权平均]] 或 [[离散评分的示性投票]]。
结构图:
flowchart TD
C["候选用户或物品"] --> T["Top-M:保留前 M 个"]
C --> H["阈值:相似度绝对值大于 w_min"]
C --> N["负向过滤:剔除不相似对象"]
T --> S["邻居集合"]
H --> S
N --> S
S --> P["加权预测评分"]
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
邻居是基于邻居的评分预测模型中至关重要的因素,如何定义邻居,如何选取邻居,将极大地影响推荐系统的最终效果。一般而言,利用相似度的大小来定义邻居,认为两个用户(或物品)相似度越大,他们越相邻。
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:原文把邻居选择列为三要素之一,明确给出 Top-M 过滤、阈值过滤与负向过滤三条原则,并强调邻居定义会极大影响最终效果。
- 原始内容:邻居是基于邻居的评分预测模型中至关重要的因素,如何定义邻居,如何选取邻居,将极大地影响推荐系统的最终效果。一般而言,利用相似度的大小来定义邻居,认为两个用户(或物品)相似度越大,他们越相邻。