qq_26274961的博客

贝叶斯个性化排序（BPR）一、问题导入在很多推荐场景中，我们都是基于现有的用户和商品之间的一些数据，得到用户对所有商品的评分，选择高分的商品推荐给用户，这是矩阵分解之类算法的做法，使用起来也很有效。但是在有些推荐场景中，我们是为了在千万级别的商品中推荐个位数的商品给用户，此时，我们更关心的是用户来说，哪些极少数商品在用户心中有更高的优先级，也就是排序更靠前。也就是说，我们需要一个排序算法，这个算法可以把每个用户对应的所有商品按喜好排序。BPR就是这样的一个我们需要的排序算法。一个更朴素的思想就是用户交互

一、问题导入1.1 理论概述矩阵分解通俗来说就是矩阵相乘的逆运算。即通过一个数据并不完全的矩阵，分解为两个数据完全的子矩阵，其中第一个子矩阵的列等于第二个子矩阵的行。再由两个数据完全的子矩阵相乘得到包含预测值数据完全的原矩阵，在推荐系统中对于用户-物品这个评分矩阵R，我们可以将其分解为用户-特性矩阵P，以及特性-物品矩阵Q。1.2 具体实例举个例子，比如音乐推荐。我们比如有3个用户(u表示)，4首音乐(m表示)。 用户对歌曲的评分矩阵R可以想到，在真实的场景中，这个矩阵是极其稀疏的，对于庞大

推荐系统基础算法之协同过滤算法一、 算法简介1.1 算法概述1.2 算法核心和步骤二、基于用户的协同过滤算法（User-Based）2.1 相似度及预测值的计算2.1.1 相似度计算2.1.2 预测值的计算2.2 通过例子理解2.3 演算手稿2.4 python代码实现三、基于物品的协同过滤算法（Item-Based）3.1 算法流程：3.2 实例3.2.1 构建用户—>物品的倒排3.2.2 构建物品与物品的共现矩阵3.2.3 计算物品之间的相似度，即计算相似矩阵3.2.4 根据用户的历史记录，给用户