知识卡片

普通读书笔记卡 · 9841.e · 生成模型:Hunyuan

协同过滤的两个基本假设

理解等级:初级

协同过滤能从群体行为推断个人喜好,依赖两条经验假设。第一条是物以类聚:人们喜欢的东西往往类似,因此从某个用户喜欢的电影可推想他也会喜欢同类型另一部,由物品间相似性做推荐正是 Item CF 的根据。第二条是人以群分:人们倾向于喜欢与自己品位相近的人所喜欢的东西,因此找到一小撮品位相似的用户,再把他们喜欢的其他物品按序推给你,就是 User CF 的根据。两条假设都把喜好看作可被群体统计的规律,而非纯粹私人之事;正因如此,协同过滤不需理解物品内容,仅凭用户与物品偏好的交集就能发现新东西。边界在于:数据稀疏到找不到可靠同类,或偏好完全随机无模式时,两条假设不再成立,推荐质量随之下降。

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

      一方面,人们喜欢的东西往往是类似的。例如,因为某个用户喜欢看《黑客帝国》,我们可以认为他也会喜欢看《少数派报告》,大部分属于同一类型——动作+科幻。另一方面,人们也倾向于喜欢与他们类似的人所喜欢的东西。

    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:原文以《黑客帝国》与《少数派报告》及艺术院校学生用 Apple 计算机为例,分别说明“喜欢类似物”和“喜欢相似者所喜之物”两条模式,支撑本卡对协同过滤假设的拆分。 - 原始内容:一方面,人们喜欢的东西往往是类似的。例如,因为某个用户喜欢看《黑客帝国》,我们可以认为他也会喜欢看《少数派报告》,大部分属于同一类型——动作+科幻。另一方面,人们也倾向于喜欢与他们类似的人所喜欢的东西。