知识卡片
转置矩阵后算物品相似度
基于物品的协同过滤把矩阵转置:行变成兴趣,列变成用户,每一行是一个兴趣的“用户出席向量”,1 表示该用户对此有兴趣。再对行与行求余弦相似度,得到两个兴趣被同一批人喜欢的程度:兴趣用户完全重合为 1,毫无重合为 0。推荐时反过来做:对目标用户已有的每个兴趣,查出与它最相似的一批兴趣并按相似度加权累加,最后剔除已有关注。对用户 0,Big Data 最相似的是 Hadoop(0.82)、Java(0.67)等,最终推荐 MapReduce、Postgres、MongoDB,符合他的技术栈。这一步的输入只是物品共现结构,与“目标用户是谁”无关,所以物品相似度可以离线预算、被所有用户复用。
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
原书出处 · 1 处
- 第23章 推荐系统 · 查看原书依据
另一种方法是直接计算兴趣之间的相似度。然后通过汇总与用户当前兴趣相似的兴趣来为每个用户生成建议。 首先,我们对用户兴趣矩阵进行转置(transpose),使行对应于兴趣,列对应于用户
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:「另一种方法是直接计算兴趣之间的相似度……」
- 原始内容:另一种方法是直接计算兴趣之间的相似度。然后通过汇总与用户当前兴趣相似的兴趣来为每个用户生成建议。 首先,我们对用户兴趣矩阵进行转置(transpose),使行对应于兴趣,列对应于用户