知识卡片
基于用户的协同过滤
基于用户的协同过滤思路是物以类聚、人以群分:先把每个用户对所有物品的偏好看作一个行向量,据此计算用户之间的相似度,找到K个邻居用户,再用邻居的相似度权重乘以他们对物品的偏好,预测当前用户尚未接触物品的得分,排序后得到推荐列表。例如用户A与用户C偏好相近,而C喜欢物品D,就可把D推给A。它补充的是用户与物品关联矩阵中的缺失项。注意其适用条件:物品多、用户少时更适合基于用户的方法,因为用户向量较短、相似度计算更可靠。
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
- · 第9章 推荐系统
原书出处 · 1 处
- 第9章 推荐系统 · 查看原书依据
基于用户的协同过滤的基本思想相当简单,即基于用户对物品的偏好找到相邻邻居用户,然后将邻居用户喜欢的物品推荐给当前用户。在计算时,就是将一个用户对所有物品的偏好(行数据)作为一个向量来计算用户之间的相似度,找到K邻居后,根据邻居的相似度权重以及他们对物品的偏好,预测当前用户没有偏好的未涉及物品
参考来源
- 位置:《深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)》第9章 推荐系统(源文件:extracted/深入浅出Embedding:原理解析与应用实践 (吴茂贵, 王红星)/_epub-src/OEBPS/Text/Chapter12_0002.xhtml)
- 结论依据:原文描述了行向量算相似度、取K邻居加权预测的流程与A、C、D的例子,并给出物品多用户少选基于用户的原则,支撑本卡。
- 原始内容:基于用户的协同过滤的基本思想相当简单,即基于用户对物品的偏好找到相邻邻居用户,然后将邻居用户喜欢的物品推荐给当前用户。在计算时,就是将一个用户对所有物品的偏好(行数据)作为一个向量来计算用户之间的相似度,找到K邻居后,根据邻居的相似度权重以及他们对物品的偏好,预测当前用户没有偏好的未涉及物品