13、食谱推荐与基于标签的资源推荐研究

食谱推荐与基于标签的资源推荐研究

食谱推荐算法性能分析

在食谱推荐领域，有多种算法可供选择，主要包括基于内容的过滤（Content Based Filtering）、协同过滤（Collaborative Filtering）和机器学习（M5P）算法。以下是这些算法的平均绝对误差（MAE）对比：
| 算法 | MAE |
| — | — |
| 基于内容的过滤 | 1.2083 |
| 协同过滤 | 1.2614 |
| 机器学习（M5P） | 0.9774 |

从数据可以看出，CF和CB推荐器的准确性较为相似，CB比CF的准确性仅提高了0.05。而M5P算法表现最佳，其MAE为0.98。在覆盖率方面，M5P策略为每个用户实现了100%的覆盖率，CB策略达到92%，CF策略仅为83.8%。综合来看，机器学习方法整体表现最优。

用户输入推理分析

为了深入了解M5P算法性能提升的原因，我们进行了进一步研究。我们使用了三类元数据：复杂度数据（详细说明食谱中的步骤和食材数量）、菜系数据（根据菜系类型对食谱进行分类）和宽泛类别（根据食谱中包含的主要食物类型对食谱进行分类）。

我们采用了基于相关性的特征选择算法（CFS）来计算特征子集的“优点”。优点的计算公式为：
[MS = \frac{k r_{cS}}{k + k(k - 1)r_S}]
其中，$k$是所选集合$S$中的特征数量，$r_{cS}$是类别$c$和特征集合$S$的平均特征 - 类别相关性，$r_S$是集合$S$中特征间的平均相关性。相关性使用对称不确定性计算：
[u(X, Y) = 2 \left(\fr