知识卡片
协同过滤与冷启动
推荐系统的核心是预测用户与项目之间的关联,常化为回归或概率分类问题。协同过滤只利用用户ID与项目ID,依据“喜欢相同项目的用户口味相似”来泛化,可用最近邻等非参数方法,也可为每个用户和项目学习分布式嵌入,用嵌入点积加偏置做双线性预测。学习嵌入的一种方式是奇异值分解,但SVD把缺失条目当作0处理,更稳妥的做法是只对观察到的评分最小化平方误差。Netflix奖竞赛表明双线性预测与SVD是获胜模型的重要组件。其根本限制是冷启动:新用户或新项目没有评级历史,无法估计相似性;解决办法是引入用户画像或项目特征,用基于内容的推荐系统乃至卷积网络从音轨提取嵌入来补足。
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12章 应用
原书出处 · 1 处
- 第12章 应用 · 查看原书依据
然而,协同过滤系统有一个基本限制:当引入新项目或新用户时,缺乏评级历史意味着无法评估其与其他项目或用户的相似性,或者说无法评估新的用户和现有项目的联系。这被称为冷启动推荐问题。
参考来源
- 位置:《深度学习》第12章 应用(源文件:extracted/深度学习/_epub-src/text/part0005_split_000.html)
- 结论依据:12.5.1给出协同过滤原理、双线性预测与SVD,并明确冷启动限制及基于内容的解决路径。
- 原始内容:然而,协同过滤系统有一个基本限制:当引入新项目或新用户时,缺乏评级历史意味着无法评估其与其他项目或用户的相似性,或者说无法评估新的用户和现有项目的联系。这被称为冷启动推荐问题。