-
这个不错的
查看全部 -
Usercf Vs Itemcf
优缺点比较
推荐实时性：Usercf 中用户有了新的行为不会造成推荐结果的变化，因为usercf是根据用户相似度矩阵来完成推荐的，所以user本身的行为并不能造成推荐结果的改变。对于Itemcf来说，用户一旦有了新的行为，推荐结果可以立即发生改变，因为Itemcf是基于相似度物品矩阵来完成推荐的，所以点击了物品会立刻推荐出相似的物品。
新用户/新物品的推荐：新用户的到来是不能立即推荐的，需要等用户有了一定的行为并且得到了与其他用户的相似度矩阵之后才能完成推荐。新物品入库后，一旦被用户点击，Usercf可以通过用户相似度矩阵将其推荐给相似用户。对于Itemcf，新用户一旦完成了新物品点击，便可以推荐与该Item相似的其余Item，新物品的到来，由于此时新物品并没有与其他物品在相似度矩阵中出现，所以Itemcf并不能及时将新物品推荐出去。
推荐理由可解锁性：Usercf是通过用户相似度矩阵来完成推荐的，因此结果会略显难以解释。Itemcf是通过用户的历史点击行为来完成的推荐，所以推荐结果会更加令人信服。
适用场景
性能层面考量：因为usercf需要计算用户的相似度矩阵，因此它不适合用户很多的场景，因为这样用户的相似度矩阵计算起来代价会非常大。Itemcf因为要计算物品的相似度矩阵，所以Itemcf适用于Item数量远小于user数量的场合，由于实战中，user数量往往远大于item的数量，所以实战中更倾向于Itemcf。
个性化层面考量：Usercf使用于物品需要及时推荐下发且个性化需求不太强烈的领域，而Itemcf适用于物品丰富并且个性化需求强烈的领域，由于真实的推荐系统中，多种个性化召回算法组合会有一些召回方法来解决新物品及时下发问题，而我们需要个性化程度强烈，所以从个性化层面考虑，也更倾向于在落地实战中采用Itemcf
查看全部 -
User cf
给用户推荐相似兴趣用户感兴趣的物品
如何评价相似兴趣用户集合
找到集合用户感兴趣的而目标用户没行为过的item
example
用户 u 和 v 的相似度
N（u）用户u行为过的item的集合
用户u对item i 的推荐得分
rvi 表示用户v对item i的行为得分
u（i）表示对item i 行为过的用户集合
用户v是与用户u相似的前top k个用户，且有item i 被v行为过但没被u行为过
公式升级
1.理论意义:降低那些异常活跃物品对用户相似度的贡献
2.理论意义：不同用户对同一item行为的时间段不同应该给予时间惩罚
查看全部 -
Collaborative filtering 协同过滤
背景 1.信息过载 --> 找到用户所需 2.强依赖用户行为
Item cf
给用户推荐他之前喜欢的物品的相似物品
如何衡量相似 -- > 喜欢两个物品的用户重合度越高，那么两个物品就越相似
如何衡量喜欢 -- > 信息流产品下，是否为真实点击 ，电商产品下，更看重实际转化 ==》一定时长的停留。故要结合具体的产品
物品 i 和 j 相似度计算公式：
user对item j 的推荐得分
N（u） ： user行为过的item 的总数
rui ： user对物品i的行为得分（比如电影评分系统中用户对电影的评分-->归一化0~1间的一个值）
Sij ： 物品 i 和 j 的相似得分
item i 是用户行为过的物品且是与item j 最相似的top k个 item （一般实战中选取50个）
公式升级
1.理论意义：活跃用户应该被降低在相似度公式中的贡献度
每个用户对相似度的贡献不一样，活跃用户的贡献度降低
2.理论意义：用户在不同时间对item的操作应给予时间衰减惩罚
查看全部 -
if not os.path.exits(rating_file): return {} fp = open(rating_file) num = 0 user_click ={} for line in fp: if num ==0: num+= continue user = line.strip().split(',') if len(item) < 4: continue [userid,movieid,rating,timestamp] = user查看全部 -
推荐算法查看全部
-
推荐系统架构
查看全部 -
公式升级二，时间衰减惩罚
查看全部 -
推荐系统架构。
查看全部 -
推荐算法实现
查看全部 -
协同矩阵排序
查看全部 -
计算物品的协同矩阵
查看全部 -
计算物品相识矩阵，item_user_click_item是返回值，
dict key：itemid，value dict：value_key itemid_j,value_value simscore.
查看全部 -
解析电影数据
查看全部 -
获取用户点击商品记录
查看全部
举报