← 返回刚才阅读的位置

知识卡片

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

用户侧与物品侧的取舍

理解等级:高级

两种协同过滤的输入相同——用户×兴趣的 0/1 矩阵——只是转置后比较的对象不同,代价曲线也不同。基于用户:相似度矩阵是用户数的平方,用户增长快、流动大,每个新用户都要重算他与其他人的相似度;好处是能捕捉跨类目的口味组合。基于物品:比较的是兴趣之间的共现,物品集合相对稳定,相似度可离线算好并增量更新,线上只需查表;推荐理由也天然可解释——“因为你关注了 Hadoop,所以推荐 MapReduce”。缺点是物品相似度只看共现,表达不了个人细微口味,新物品缺少共现数据时同样失效。选择取决于哪一侧更稳定、增长更慢,以及是否需要给出理由。

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

      当兴趣数量很大时,这种方法就行不通了。还记得第 12 章中的维数灾难吗?在高维向量空间中,大多数向量相距甚远(并且指向的方向也非常不同)。也就是说,当有大量兴趣时,与给定用户的“最相似用户”可能根本不相似。

    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:「当兴趣数量很大时,这种方法就行不通了……」 - 原始内容:当兴趣数量很大时,这种方法就行不通了。还记得第 12 章中的维数灾难吗?在高维向量空间中,大多数向量相距甚远(并且指向的方向也非常不同)。也就是说,当有大量兴趣时,与给定用户的“最相似用户”可能根本不相似。