qq_34615112的博客

转载自：在线优化算法 FTRL 的原理与实现如有侵权，请及时联系删除。

1、 ItemCF算法原理：ItemCF算法并不利用物品的内容属性计算物品之间的相似度，它主要通过分析用户的行为记录计算物品之间的相似度。该算法认为一个人的兴趣都局限在几个方面，当很多人都对两个物品感兴趣时，就认为这两个物品具有较大的相似度，即物品A,B具有很大的相似度是因为喜欢物品A的用户大都也喜欢物品B。2、 ItemCF算法步骤：计算物品之间的相似度根据物品的相似度和用户的历史行为给用户生成推荐列表。2.1 物品相似度计算建立用户-物品的倒排表对于每个用户，将用户列表中的物品两两.

        本文针对无上下文信息的隐性反馈数据集（每一条行为记录仅仅包含用户ID和物品ID），介绍基于用户的协同过滤算法原理。        基于用户的协同过滤推荐算法本质：找到和待推荐用户相似的用户群，推进该用户群感兴趣且待推荐用户没购买过的物品。例如下图中， 用户a购买过物品A、C，用户c购买过物...

推荐系统的基本思想懂你，精准推送： 利用用户和物品的特征信息，给用户推荐具有用户喜欢的特征的物品。物以类聚： 利用用户喜欢过的物品，给用户推荐与他喜欢过的物品相似的物品。人以群分： 利用和用户相似的其他用户，推荐那些和他们兴趣爱好相似的其他用户喜欢的物品。推荐系统的分类在个性化推荐系统中，根据数据来源的不同，可以分为基于人口统计学的推荐（用户本身的数据），基于内容的推荐（商品的数...