chapter11-林子雨-大數(shù)據(jù)技術(shù)原理與應(yīng)用-大數(shù)據(jù)在互聯(lián)網(wǎng)領(lǐng)域的應(yīng)用(年1月29日版本)32(編輯修改稿)
2025-02-22 12:08 本頁面
【文章內(nèi)容簡介】 林子雨 ? 實現(xiàn) UserCF算法的關(guān)鍵步驟是計算用戶與用戶之間的興趣相似度。目前較多使用的相似度算法 有： – 泊松相關(guān)系數(shù)（ Person Correlation Coefficient） – 余弦相似度（ Cosinebased Similarity） – 調(diào)整余弦相似度（ Adjusted Cosine Similarity） ? 給定用戶 u和用戶 v，令 N(u)表示用戶 u感興趣的物品集合，令 N(v)為用戶 v感興趣的物品集合，則使用余弦相似度進(jìn)行計算用戶相似度的公式為 ： 基于用戶的協(xié)同過濾（ UserCF） 《 大數(shù)據(jù)技術(shù)原理與應(yīng)用 》 廈門大學(xué)計算機科學(xué)系 林子雨 ? 由于很多用戶相互之間并沒有對同樣的物品產(chǎn)生過行為，因此其相似度公式的分子為 0，相似度也為 0 ? 我們 可以利用物品到用戶的倒排表（每個物品所對應(yīng)的、對該物品感興趣的用戶列表），僅對有對相同物品產(chǎn)生交互行為的用戶進(jìn)行計算 基于用戶的協(xié)同過濾（ UserCF） 圖 115 物品到用戶倒排表及用戶相似度矩陣 《 大數(shù)據(jù)技術(shù)原理與應(yīng)用 》 廈門大學(xué)計算機科學(xué)系 林子雨 ? 得到用戶間的相似度后，再使用如下公式來度量用戶 u對物品 i的興趣程度 Pui： ? 其中， S(u, K)是和用戶 u興趣最接近的 K個用戶的集合， N(i)是喜歡物品 i的用戶集合， Wuv是用戶 u和用戶 v的相似度， rvi是隱反饋信息，代表用戶 v對物品 i的感興趣程度，為簡化計算可令 rvi=1 ? 對所有物品計算 Pui后，可以 對 Pui進(jìn)行 降序處理，取前 N個物品作為推薦結(jié)果展示給用戶 u（稱為 TopN推薦） 基于用戶的協(xié)同過濾（ UserCF） 《 大數(shù)據(jù)技術(shù)原理與應(yīng)用 》 廈門大學(xué)計算機科學(xué)系 林子雨 ? 基于物品的協(xié)同過濾算法（簡稱 ItemCF算法）是目前業(yè)界應(yīng)用最多的算法。無論是亞馬遜還是 Netflix，其推薦系統(tǒng)的基礎(chǔ)都是 ItemCF算法 ? ItemCF算法是給目標(biāo)用戶推薦那些和他們之前喜歡的物品相似的物品。 ItemCF算法主要通過分析用戶的行為記錄來計算物品之間的相似度 ? 該算法基于的假設(shè)是：物品 A和物品 B具有很大的相似度是因為喜歡物品 A的用戶大多也喜歡物品 B。例如，該算法會因為你購買過《數(shù)據(jù)挖掘?qū)д摗范o你推薦《機器學(xué)習(xí)實戰(zhàn)》，因為買過《數(shù)據(jù)挖掘?qū)д摗返挠脩舳鄶?shù)也購買了《機器學(xué)習(xí)實戰(zhàn)》 基于物品的協(xié)同過濾（ ItemCF） 《 大數(shù)據(jù)技術(shù)原理與應(yīng)用 》 廈門大學(xué)計算機科學(xué)系 林子雨 基于物品的協(xié)同過濾（ ItemCF） 圖 116 基于物品的協(xié)同過濾（ Item CF） 《 大數(shù)據(jù)技術(shù)原理與應(yīng)用 》 廈門大學(xué)計算機科學(xué)系 林子雨 ? ItemCF算法與 UserCF算法類似， 計算 也分為兩步： – 第一步：計算物品之間的相似度； – 第二步：根據(jù)物品的相似度和用戶的歷史行為，給用戶生成推薦列表。 ? ItemCF計算的是 物品相似度，再使用如下公式來度量用戶 u對物品 j的興趣程度 Puj(與 UserCF類似 )： 基于物品的協(xié)同過濾（ ItemCF） 《 大數(shù)據(jù)技術(shù)原理與應(yīng)用 》 廈門大學(xué)計算機科學(xué)系 林子雨 ? ItemCF算法通過建立用戶到物品倒排表（每個用戶喜歡的物品的列表）來計算 物品相似度 基于物品的協(xié)同過濾（ ItemCF） 圖 117用戶到物品倒排表及物品相似度矩陣
公司管理相關(guān)推薦
鄂ICP備17016276號-1