liuzhiqiangruc

  前两天团队讨论了什么是推荐、什么是个性化推荐。关于这，大家有的顾名思义、有的引经据典。当然都能够较好地解释上面这两个概念。这里，我则试图从现实现象中去理解什么是推荐、什么是个性化推荐。开始啰嗦了：这次请假去外地，在火车站的一个卖报点发现一个比较有趣的现象。这个摊位除了报纸，还有杂志、书籍等。此外，很多人在买报的时候都不只买一份，基本上是两份起。现象一：经过我长达一个小...

本文假设读者至少有对数据挖掘中的关联规则有基本了解，对Apriori算法的实现有一定了解。 在此基础上，我们讨论一种比Apriori更加高效的关联规则挖掘方法——基于FP-Tree的关联规则挖掘。 (一) 关于Apriori： Apriori是关联规则挖掘中最最最经典的算法，没有之一。同时，它也是向初学同学阐明关联规则精髓的最佳武器。 首先，我们简单回顾下Apri...

协同过滤（Collective Filtering）可以说是推荐系统的标配算法。在谈推荐必谈协同的今天，我们也来谈一谈基于KNN的协同过滤在实际的推荐应用中的一些心得体会。 我们首先从协同过滤的两个假设聊起。 两个假设：用户一般会喜欢与自己喜欢物品相似的物品用户一般会喜欢与自己相似的其他用户喜欢的物品上述假设分别对应了协同过滤的两种实现方式：基于物品相似（i...

基于矩阵分解的推荐算法已经在工业界被广泛应用。这类算法希望用同一个空间的维度来描述推荐过程中两个实体（用户、物品）的隐语义的特征。 无论是基于数值的矩阵分解如PMF[SVD]，还是基于概率的矩阵分解如PLSA、LDA，都是如此。只不过，用于PMF分解的评分矩阵中包含了用户对所访问物品的评分，而PLSA、LDA面对的数据则只能是用户有过某种访问行为的物品集合。 仅从信息量...

在推荐系统的实现中，几乎总会遇到从较多候选集中为用户选取特定的少数几个物品进行推荐，这本质上是一个Ranking问题。 在推荐场景中用户更缺乏耐性，对推荐结果的消费也十分有限。因此，排序的好坏直接决定了用户对一个准确率为90%的推荐候选集的满意度是否真的有90%。 这里我们为大家介绍一种“基于贝叶斯后验优化的个性化排序算法”：Bayesian Personalized Rank...

NMF——非负矩阵分解。如果你事先了解PMF[概率矩阵分解]的话，那么其实只要在PMF的基础上多加上一点，就是NMF了。 方法一： 在PMF中使用SGD【随机梯度下降】进行优化时，使用如下的迭代公式：   其中P、Q分别代表原始矩阵R的两个维度的隐含矩阵，在推荐应用中，一般讲P看做用户矩阵、Q看做物品矩阵。 从公式中不难看出，无论P矩阵还是Q矩阵都会出现...

谱聚类(Spectral Clustering, SC)是一种基于图论的聚类方法。将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远，以达到常见的聚类的目的。"带权无向图"这个词太学术了，我们换一种叫法，即：相似度矩阵。假设我们有一个相似度矩阵，矩阵中存的是所有对象的两两相似度。 那么这个矩阵应该有如下性质：矩阵为N * N，N为...