知识卡片

普通读书笔记卡 · 9841.g · 生成模型:Hunyuan

基于物品的协同过滤

理解等级:中级

基于物品的协同过滤是目前业界应用最广的协同过滤算法,亚马逊、Netflix、YouTube 的推荐基础都属此类。它把找相似的物当作推荐的第一步:将所有用户对某个物品的偏好组成一个向量,计算物品之间的相似度,得到每个物品的相似物品集合;再结合用户历史偏好,预测其对尚未表态物品的兴趣,排序后输出。与 User CF 使用用户—物品矩阵的行不同,Item CF 使用矩阵的列——每个元素表示某物品被某类用户购买的概率,列内加总为一。原文例子中 Item A 与 Item C 最相似,于是把 Item C 推荐给喜欢 Item A 的用户。Item CF 的优势在于物品相似度比用户兴趣更稳定,可预先离线计算;局限是同样受评分矩阵稀疏性的制约。

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

      基于物品的CF的原理和基于用户的CF 类似,只是在计算时采用物品之间的相似度,而不是从用户的角度,即基于用户对物品的偏好划分物品类型(聚类算法)找到最近邻物品(kNN近邻算法),然后将同类物品或相邻物品推荐给当前用户。

    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:原文指出 Item CF 是业界应用最多的算法,给出以列计算物品相似度、列内加总为一的定义,并以 Item A 与 Item C 相似的实例说明推荐过程。 - 原始内容:基于物品的CF的原理和基于用户的CF 类似,只是在计算时采用物品之间的相似度,而不是从用户的角度,即基于用户对物品的偏好划分物品类型(聚类算法)找到最近邻物品(kNN近邻算法),然后将同类物品或相邻物品推荐给当前用户。