← 返回刚才阅读的位置

知识卡片

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

未评分与冷启动

理解等级:中级

MovieLens 里 943 个用户对 1682 部电影只有十万条评分,矩阵绝大多数格子是空的,书中明确说先忽略未评分商品的问题。这个省略掩盖了推荐最难的环节:模型只为出现过的 (用户, 物品) 对计算损失,一个从没评过分的新用户,其隐向量始终是随机初值,预测等于随机向量与电影向量的点积,推荐等于乱猜;新电影同理,没人评过就没有可学的向量。可行补法是:用流行度或基于物品的相似度兜底、用注册时填的兴趣做初始画像,或把物品的内容特征(类型、导演)也作为输入。评估时也要注意,随机切分会让同一用户的历史散落在训练与测试两侧,分数偏乐观。

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

      每个用户仅对一小部分电影进行了评分。我们尝试使用它来构建一个系统,该系统可以预测任何给定 (user, movie) 对的评分。我们将对其进行训练,以更好地预测每个用户已评分的电影,并希望它能推广到用户尚未评分的电影中。

    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:「每个用户仅对一小部分电影进行了评分……」 - 原始内容:每个用户仅对一小部分电影进行了评分。我们尝试使用它来构建一个系统,该系统可以预测任何给定 (user, movie) 对的评分。我们将对其进行训练,以更好地预测每个用户已评分的电影,并希望它能推广到用户尚未评分的电影中。