推荐系统-协同过滤算法

一.UserCF【基于用户】

  基于用户的协同过滤,通过不同用户对商品的评分来评测用户之间的相似性,基于用户之间的相似性进行推荐。简单来说就是:给用户推荐和他兴趣相似的其它用户喜欢的商品。

  

二.ItemCF【基于商品】

  基于商品的协同过滤,通过用户对不同商品的评分来评测商品之间的相似性,基于商品之间的相似性做出推荐。简单来说就是:给用户推荐和他之前喜欢的商品相似的商品。

  

 三.计算规则

  1.Co-occurrence Matrix【同现矩阵】和User Preference Vector【用户评分向量】相乘得到这个Recommended Vector【推荐向量】。

  2.基于全量数据的统计产生同现矩阵,它体现商品之间的关联性,每件商品都有自己对其它商品的关联性,这就是商品的特征。

  3.用户评分向量体现的是用户对一些商品的评分,任一商品需要用户评分向量乘以基于该商品的其它商品关联值,求和得出针对该商品的推荐向量,排序取TopNjik 。

  4.公式

    

四.计算逻辑

  1.通过历史订单交易记录计算得出每一件商品相对于其它商品同时出现在同一订单的次数【不考虑商品的具体数量】。

  2.用户会对部分商品有过购买记录或收藏记录等实际操作,经过计算 会得到用户对这部分商品的评分向量列表。

  3.使用用户评分向量列表中的分量依次乘以每一件商品同现列表中该分量代表的同现值,求和便是该商品的推荐向量。

  4.图解

    

五.代码实现

  未完待续。。。

 

posted @   云山之巅  阅读(1491)  评论(0编辑  收藏  举报
编辑推荐:
· 深入理解 Mybatis 分库分表执行原理
· 如何打造一个高并发系统?
· .NET Core GC压缩(compact_phase)底层原理浅谈
· 现代计算机视觉入门之:什么是图片特征编码
· .NET 9 new features-C#13新的锁类型和语义
阅读排行:
· Spring AI + Ollama 实现 deepseek-r1 的API服务和调用
· 《HelloGitHub》第 106 期
· 数据库服务器 SQL Server 版本升级公告
· 深入理解Mybatis分库分表执行原理
· 使用 Dify + LLM 构建精确任务处理应用
点击右上角即可分享
微信分享提示