知识卡片
协同过滤的邻域选择与行列对偶
协同过滤(CF)只依赖用户与物品的交互矩阵,前提假设是「相似的人对同一事物的兴趣度相同」。流程三步:收集用户偏好、找相似用户或相似物品、据此计算推荐分。
User-based CF 把每个用户看成一行(对各物品的行为),算行与行的相似度,取最相似的 K 个用户,用他们的行为加权预测目标用户对物品的兴趣:P(u,i)=Σ Wuv·Rvi,Wuv 是用户相似度,Rvi 是近邻 v 对物品 i 的正向评分。Item-based CF 把每个物品看成一列(被哪些用户行为过),算列与列的相似度,再把与用户历史物品相似的物品推给他。两者算相似度的步骤相同,只是取行向量还是列向量,转置即可互换。
真正的差别在工程:用户数通常远大于物品数,物品相似度更稳定、可离线算好复用,所以大平台多用 Item-based。邻域 K 是核心超参数:K 太小,个别噪声邻居就能带偏结果、覆盖率低;K 太大,会混入弱相关用户,推荐退化成热门榜。
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 推荐系统框架及原理 · 查看原书依据
基于用户的协同过滤算法和基于物品的协同过滤算法在计算相似度步骤上是一样的。它们之间的区别在于基于用户的协同过滤计算了列向量,基于物品的协同过滤计算了行向量。
参考来源
- 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第7章 推荐系统框架及原理(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0097.html)
- 结论依据:原文指出两种协同过滤的相似度计算步骤相同、只是行列向量之别,可转置互换,这支撑「对偶结构、差异在工程取舍」的判断。
- 原始内容:基于用户的协同过滤算法和基于物品的协同过滤算法在计算相似度步骤上是一样的。它们之间的区别在于基于用户的协同过滤计算了列向量,基于物品的协同过滤计算了行向量。