推荐模型之协同过滤【学习笔记】

来源课程 老弓的学习笔记

 协同过滤

目标场景：存在共现矩阵的情况下，进行点击率预估、 评分预测等。

 

 基于用户的协同过滤 找与Alice相似的用户 比如说2   

 基于物品的协同过滤 

相似度计算方式：

1.杰卡德（Jaccard）相似度

 

 2.余弦相似度

 

 比较常用 效果也不会太差。

局限性：

 

举例：

 

 3.皮尔逊相关系数：相当于是对余弦相似度的一种改进

皮尔逊相关系数通过使用用户平均分对独立评分个体进行了修正，减少了用户评分偏置的影响。简单的说，其实Person做的就是把两个向量减去了他们的均值，然后再计算cos相似度。效果好于cos

 

 4 其它：

欧氏距离

曼哈顿距离

马氏距离

余弦相似度与欧氏距离：为什么一些场景李用余弦相似度而不是欧式距离？

 

 举例：

 

 

 视频4

 

 

 基于用户的协同过滤 UserCF

 

1 计算用户与其它用户的相似度

 

 

 2.根据相似度用户计算Alice对物品5的最终得分。

方式一：

 

 

方式二：

方式一有点局限性

 

 

 

 3. 根据用户评分对用户推荐：定一个阈值  预测评分超过阈值即可推荐给用户。

 

缺点：

1.数据稀疏性：

 

 2.用户相似度矩阵维护难度大

 

 

适用场景：

用户少，物品多，时效性较强的（比如说新闻推荐）

 

视频5

基于Item的协同过滤 ItemCF

由于UserCF的两点缺陷，导致很多电商平台并没有采用这种算法，而是采用了ItemCF实现最初的推荐系统

优点：

 

 缺点：

1 数据稀疏性

 

一列中有俩1才行。

2.物品相似度矩阵维护难度大

适用场景：

 

 比如说音乐 艺术品推荐。

 6 两个方法之间的对比：

区别：

 

 共同缺点：

1.不能彻底解决数据稀疏性问题

2.泛化能力弱

 

 为了解决这一问题 矩阵分解技术被提出

3.无法利用更多信息