共计 1264 个字符,预计需要花费 4 分钟才能阅读完成。
一. 协同过滤举荐算法(基于邻域的算法)
1. 算法分类
- 基于 用户的协同算法 :
跟你爱好类似的人喜爱的货色你也很有可能喜爱 - 基于 物品的协同算法 :
跟你喜爱的货色类似的货色你也很有可能喜爱
1.1 实现协同过滤举荐有以下几个步骤:
- 找出最类似的人或物品:Top-N 类似的人或物品
通过计算两两的类似度来进行排序,即可找出 TOP- N 类似的人或物品 - 依据类似的人或物品产生举荐后果
利用 TOP- N 后果生成初始举荐后果,而后过滤掉用户曾经有过记录的物品或明确示意不感兴趣的物品
1.2 基于用户的协同算法
基于用户的协同过滤算法是举荐零碎中最古老的算法
1.2.1 根底算法
当一个用户 A 须要个性化举荐时,能够先找到和他有类似趣味的其余用户,而后把那些用户喜爱的、而用户 A 没有据说过的物品举荐给 A。这种办法称为基于用户的协同过滤算法。
用户的协同过滤算法次要包含两个步骤:
- 找到和指标用户趣味类似的用户汇合
- 找到这个汇合中的用户喜爱的,且指标用户没有据说过的物品举荐给指标用户
步骤 (1) 的要害就是计算两个用户的趣味类似度, 协同过滤算法次要利用行为的类似度计算趣味的类似度 , 给定用户 u 和用户 v,令 N(u) 示意用户 u 已经有过正反馈的物品汇合,令 N(v) 为用户 v 已经有过正反馈的物品汇合。那么,咱们能够通过如下的 Jaccard 公式简略地计算 u 和 v 的趣味类似度:
$$W_{uv}=\frac{|N(_u)\cup N(_v)|}{|N(_u)\cap N(_v)|}$$
或者通过余弦类似度计算:
$$ W_{uv}=\frac{|N(u)\cap N(_v)|}{\sqrt{|N(_u)||N(_v)}}$$
计算案例:
- Jaccard 公式计算:
$$\frac{|\{a,b,d\}\cap\{a,c\}}{|\{a,b,d\}\cup\{a,c\}|}$$
后果:
$$\frac{\{a\}}{\{a,b,c,d\}}=\frac{1}{4}$$ - 余弦类似度计算:
$$\frac{|\{a,b,d\}\cap\{a,c\}|}{\sqrt{|\{a,b,d\}||\{a,c\}|}}=\frac{1}{\sqrt{6}}$$
同理:
$$W_{AC}=\frac{|\{a,b,d\}\cap\{b,e\}|}{\sqrt{|\{a,b,d\}||\{b,e\}|}}=\frac{1}{\sqrt6}$$
$$W_{AD}=\frac{|\{a,b,d\}\cap\{c,d,e\}|}{\sqrt{|\{a,b,d\}||\{c,d,e\}|}}=\frac{1}{3}$$
1.2.1 算法实现
-
jaccard 算法:
def jaccard(train): W=dict() # 计算两两用户之间的类似度 for u in train: for v in train: # 如果是同一个用户跳过 if u==v: continue # 两个用户点击物品的交加 cap=train[u]&train[v] # 两个用户点击物品的并集 cup=train[u]|train[v] # 两个用户的类似度 W[u,v]=len(cap)/len(cup) return W
正文完