知识卡片
基于用户的协同过滤
基于用户的协同过滤把找相似的人当作推荐的第一步。做法是把每个用户对所有物品的偏好看成一个向量,用夹角余弦等距离度量计算用户两两之间的相似度,再用 kNN 找出与目标用户最接近的 K 个邻居;随后按邻居的相似程度加权他们对各物品的偏好,预测目标用户尚未接触过的物品,按预测值排序输出推荐列表。矩阵方向很关键:行是用户、列是物品,每个元素表示某用户选择某物品的概率,行内加总为一。原文例子中 User A 与 User C 的历史偏好最接近,而 User A 没买过 Item D,于是把 Item D 推给 User A。与 Item CF 相比,User CF 更依赖用户数量与活跃度;用户兴趣变化快时,基于邻域的预测需要频繁重算相似度。
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4章 推荐系统原理 · 查看原书依据
基于用户的CF的基本思想相当简单:基于用户对物品的偏好划分用户类型(聚类算法),找到最近邻用户(kNN近邻算法),然后将同类用户和相邻用户所喜欢的推荐给当前用户。
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:原文给出 User CF 的基本思想、以行表示用户偏好的矩阵定义,以及用 kNN 判定 User A 与 User C 相似后推荐 Item D 的实例,支撑上述机制说明。
- 原始内容:基于用户的CF的基本思想相当简单:基于用户对物品的偏好划分用户类型(聚类算法),找到最近邻用户(kNN近邻算法),然后将同类用户和相邻用户所喜欢的推荐给当前用户。