知识卡片
协同过滤借相似者的评分
把用户对物品的评分排成矩阵,行是用户、列是物品、格子里是 1 到 5 分,未知的格子就是待预测项。User-based 的做法是:先算目标用户与其他用户的相似度(用户间用皮尔森相关系数效果较好),取最相似的 N 个用户;再把他们对目标物品的评分按相似度加权求和,除以相似度之和,并加上目标用户自己的平均打分作为偏置,得到预测分;对所有未评分物品重复这一步,取 top-n 推荐。它不需要知道物品的内容,隐含假设是“兴趣相近的人偏好相近”。边界在于:相似度只在双方共同评过分的物品上才有意义,共同项很少时相关系数极不稳定。
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7章 如何让机器猜得更准 · 查看原书依据
如果某个用户和你的兴趣相似,那么他喜欢的物品很可能就是你喜欢的。也可以说协同过滤第一步需要收集用户兴趣,然后根据用户兴趣计算相似用户或者物品,之后就可以进行推荐了。
参考来源
- 位置:《文本上的算法——深入浅出自然语言处理》第7章 如何让机器猜得更准(源文件:extracted/文本上的算法——深入浅出自然语言处理/_epub-src/OEBPS/Text/00014.html)
- 结论依据:原文这一段直接给出本卡的核心判断:「如果某个用户和你的兴趣相似,那么他喜欢的物品很可能就是你喜欢的。也可以说协同过滤……」
- 原始内容:如果某个用户和你的兴趣相似,那么他喜欢的物品很可能就是你喜欢的。也可以说协同过滤第一步需要收集用户兴趣,然后根据用户兴趣计算相似用户或者物品,之后就可以进行推荐了。