知识卡片
用户相似度三种计算法
协同过滤中最关键的一步是计算用户相似度,本质是算共现矩阵中两个行向量的相近程度。余弦相似度用向量夹角衡量,夹角越小越相似,但不考虑用户打分习惯的高低偏移;皮尔逊相关系数用用户平均分修正各独立评分,减小了用户评分偏置;在此基础上引入物品平均分,还能进一步减少物品评分偏置。三者没有绝对优劣,选择取决于数据中偏置来自用户还是物品。更广义地看,任何合理的向量相似度定义都可作为标准,改进协同过滤的工作往往正是从改造相似度定义入手。
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2章 前深度学习时代——推荐系统的进化之路 · 查看原书依据
在协同过滤的过程中,用户相似度的计算是算法中最关键的一步。通过 2.2.1节的介绍可知,共现矩阵中的行向量代表相应用户的用户向量。那么,计算用户i和用户j的相似度问题,就是计算用户向量i和用户向量j之间的相似度,两个向量之间常用的相似度计算方法有如下几种
参考来源
- 位置:《深度学习推荐系统》第2章 前深度学习时代——推荐系统的进化之路(源文件:extracted/深度学习推荐系统/_epub-src/text/part0006_split_002.html)
- 结论依据:原文指出用户相似度计算是算法中最关键的一步,并逐一给出余弦相似度、皮尔逊相关系数及引入物品平均分的修正思路。
- 原始内容:在协同过滤的过程中,用户相似度的计算是算法中最关键的一步。通过 2.2.1节的介绍可知,共现矩阵中的行向量代表相应用户的用户向量。那么,计算用户i和用户j的相似度问题,就是计算用户向量i和用户向量j之间的相似度,两个向量之间常用的相似度计算方法有如下几种