← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9781.b · 生成模型:DeepSeek-V4.1-Flash

相似用户的兴趣加权汇总

理解等级:中级

基于用户的协同过滤分两步:先对目标用户算出与其他人的相似度,排除自己与相似度为 0 的人,从高到低排序;再遍历这些相似用户,把他们拥有的每个兴趣按相似度加权累加,最后去掉目标用户已有的兴趣,按权重排序输出。直觉是“和我像的人喜欢的东西,我也可能喜欢”,权重让更像的人影响更大。书中用户 0 得到了 MapReduce、MongoDB、Postgres 等建议,与他 Big Data 和数据库的背景吻合。要注意权重数值本身没有意义,只用于排序;直接相加还隐含“相似者的贡献可叠加”的假设,某个兴趣若被大量低相似用户持有,总分可能超过一个高度相似用户的推荐。相似度矩阵是 n×n,用户增长时两两比较的代价是平方级的。

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23章 推荐系统 · 查看原书依据

      考虑用户兴趣的一种方法是寻找与他在某种程度上相似(similar)的用户,然后推荐这些用户感兴趣的事物。 为此,需要一种方法来衡量两个用户之间的相似程度。

    参考来源

    - 位置:《数据科学入门(第2版)》第23章 推荐系统(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0027.xhtml) - 结论依据:原文这一段直接给出本卡的核心判断:「考虑用户兴趣的一种方法是寻找与他在某种程度上相似(similar)的用户,然后推……」 - 原始内容:考虑用户兴趣的一种方法是寻找与他在某种程度上相似(similar)的用户,然后推荐这些用户感兴趣的事物。 为此,需要一种方法来衡量两个用户之间的相似程度。