← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9841.c · 生成模型:Hunyuan

四类推荐机制的比较

理解等级:中级

算法区域里并存着四类思路。基于人口统计的推荐最直观,只按用户基本信息判断相似程度,再把相似用户喜欢的物品推给当前用户,不需行为数据但刻画粒度粗。基于内容的推荐出现最早、应用最广,它从物品元数据发现物品间的相关性,再结合用户以往偏好推荐相似物品,强项是能解释推荐理由,弱点是依赖人工标注的类别。协同过滤不看物品属性,直接从用户—物品偏好矩阵出发,计算用户之间或物品之间的相似度,分为 User CF 与 Item CF 两支。基于隐语义的模型把稀疏评分矩阵分解,用 SVD 得到用户与物品的隐向量,以向量内积预测评分,精度最高但可解释性弱。四者的分界线在于相似度从哪里算出来:人口属性、内容元数据、协同偏好,还是分解出的隐因子。

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4章 推荐系统原理 · 查看原书依据

      基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐方式,它的核心思想是根据推荐物品或内容的元数据,发现物品或者内容的相关性,然后基于用户以往的偏好记录,推荐给用户相似的物品。

    参考来源

    - 位置:《机器学习算法原理与编程实践》第4章 推荐系统原理(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00016.html) - 结论依据:原文在架构的算法区域依次介绍基于人口统计、基于内容、基于协同过滤和基于隐语义四类机制,并指出 SVD 精度最高,支撑按相似度来源做比较的结论。 - 原始内容:基于内容的推荐是在推荐引擎出现之初应用最为广泛的推荐方式,它的核心思想是根据推荐物品或内容的元数据,发现物品或者内容的相关性,然后基于用户以往的偏好记录,推荐给用户相似的物品。