CF推荐算法-近邻

最新推荐文章于 2025-05-19 01:09:07 发布
置顶 最新推荐文章于 2025-05-19 01:09:07 发布
阅读量1.2k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习 推荐系统 文章标签： 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_37321741/article/details/82824520
本文详细介绍了协同过滤(CF)推荐系统的原理和应用，包括效果评估指标（如RMSE、MAE）、CF算法的类型（用户基和物品基）、评分矩阵的稀疏性问题、冷启动挑战及相似度度量方法。通过对用户和物品的相似度计算，CF推荐系统能够预测用户喜好并进行个性化推荐。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

一、推荐系统效果评估指标

1）均方根误差（RMSE）

f(u,i)代表的是预测值,r_{u,i}代表的是实际值

N代表的测试集的数量

所以RMSE也就是每个测试集的预测值和实际值的差的平方之和/测试集数量N 然后开根号

2）平均绝对误差（MAE）

和RMSE相似

MAE 每个测试集的预测值和实际值的差的绝对值之和 / 测试集数量N 然后开根号

3）准确率（Precision）

4）召回率（Recall）

5）ROC曲线（TPR/FPR）

最低0.47元/天 解锁文章

200万优质内容无限畅学
【2025算法面试通关】【八.推荐算法-工程实践】【53. 推荐系统工程实践面试合集试题：从基础到高级全解析】
商务合作|问题讨论|交流学习 请联系作者微信，加微信请务必注明来意，博客主页有联系方式
04-15 559
多路召回策略是指从不同维度、不同策略分别生成候选集，再通过融合层进行整合的召回机制。优势在于覆盖不同用户偏好、避免单一模型偏差、提升系统鲁棒性。
推荐系统入门【分类、传统推荐算法、UserCF和ItemCF】
SeafyLiang的博客
10-26 3040
推荐系统入门【分类、传统推荐算法、UserCF和ItemCF】一、推荐系统分类二、传统推荐算法2.1 基于规则的推荐2.2 基于内容的推荐2.3 基于协同过滤的推荐（１）建立用户－项目评分矩阵（２）寻找最近邻（３）产生推荐2.4 基于混合模式的推荐三、存在的问题与挑战3.1 数据稀疏性3.2 特征抽取3.3 冷启动3.4 可扩展性四、UserCF和ItemCF4.1 User-based CF 基于用户的协同过滤4.2 Item-based CF 基于商品的协同过滤4.3 优缺点说明 一、推荐系统分类 推荐
基于k近邻的User_CF协同过滤推荐算法
Angeliaaa的博客
11-25 893
下面就是基于k近邻的User_CF协同过滤推荐算法的完整代码，通过该代码，我们求出了每个用户的最相近的k个邻居，然后将这k个邻居观看的电影列表依次和该用户的电影列表做并集，就得到了该用户的推荐列表。代码有很多个函数块组成，下面依次对每个函数块展开解释： readDatas（）： 读取数据，只取出前两列（用户id和电影id）将user_dict映射成一个字典，字典中的关键词即用户id，字典列表即为电影列表 getTrainsetAndTestset(dct): 得到训练数据和测试数据，在取出...
近邻推荐
Rocket,Qian的博客
11-24 344
近邻推荐1.基于用户的协同过滤算法1.1 协同过滤算法1.2 基于用户的协同过滤算法原理1.2.1 原理1.2.2 实践1.3 应用场景2.基于物品的协同过滤算法2.1 常见应用场景2.2 算法原理3. 相似度算法3.1 相似度的本质3.2 相似度计算方法3.2.1 欧氏距离3.2.2 余弦相似度3.2.3 皮尔逊相关系数3.2.4 Jaccard相似度3.3 向量化计算 1.基于用户的协同过滤算法 1.1 协同过滤算法 协同过滤算法与推荐系统的关系十分紧密，所以这是一个非常重要的算法。 协同过滤算法是一个
抖音推荐算法底层原理公开！
最新发布
日常记录分享，希望对大家有帮助，如有问题望大家批评指正
05-19 357
在信息爆炸的时代，推荐系统成为解决信息过载问题的关键工具。推荐算法通过分析用户行为数据，构建个性化推荐模型，精准推送用户感兴趣的内容。传统推荐算法如协同过滤，通过用户行为相似度进行推荐，而无需理解内容本身。随着深度学习的发展，推荐系统进入新时代，深度学习模型如Wide&Deep和双塔召回模型，通过多层神经网络挖掘数据中的深层模式，提升推荐的泛化能力和精准度。这些技术在电商、视频平台和社交网络中广泛应用，显著提升了用户体验。
CF——推荐算法
weixin_44023658的博客
05-29 1423
推荐算法首先要介绍的一定是协同过滤算法了(collaborative filtering，CF)，CF算法的汇总的是所有的<user,item>行为对，有点像朋友推荐，比如用户A和用户B都喜欢差不多的东西(item相似)，用户B喜欢某样东西，但是用户A还没有喜欢，那么此时就将用户B喜欢的item推荐给用户A。 (User-Based CF)，还有一种协同推荐，即对比数据(item)，发现itemA和itemB类似(即被差不多的users喜欢)，就把某user的所有喜欢的item的类似item过滤
基于近邻的推荐系统
Dynomite的博客
06-16 747
推荐系统 1. 分类 CF Bases Memory Based: User CF, Item CF Model Based Content Based Knowledge Based Demographic Based 2. 评分矩阵 评分矩阵的类型有：连续值、整形、离散值、二元、一元(隐反馈) 离散值举例：trongly Disagree、Disagree、Neu...
[近邻推荐]基于邻域的算法-协同过滤算法
woniu201411的博客
11-21 1022
目录 1、相似度的度量 2、基于用户的协同过滤算法 2.1 算法原理 2.2 用户相似度计算的改进 2.3 使用的场景 3、基于物品的协同过滤算法 3.1 算法原理 3.2 物品相似度计算的改进 3.3 使用的场景 4、userCF和itemCF比较 1、相似度的度量 欧氏距离，度量的是空间中两个点的绝对差异，适用于分析用户能力模型之间的差异： 余弦相似度，度量的是两...
[pyspark]itemcf协同过滤推荐算法------应用华为比赛数据实现（包含转化为稀疏向量，lsh模型，杰卡德距离）
weixin_44133963的博客
08-12 1262
学完以后，第一感受，确实会比python代码来得简洁 先上代码 第一步，用pysql处理原始数据，包含计算冷却得分（不是今天的重点，暂不会在后面细说了） import findspark findspark.init() import pathlib import sys import json from pyspark import SparkContext from pyspark import SparkConf from pyspark.ml.feature import MinHash..
基于近邻推荐方法综述---《推荐系统技术、评估及高效算法》---读书笔记（4）
好好学习，天天向上
03-18 895
一、组织目录图（单击图放大）二、补充笔记1、协同过滤的方法可以分为两类，一种为基于近邻的方法，一种为基于模型的方法。2、基于近邻的方法可以分为基于用户的方法和基于物品的方法。基于用户的方法为了评估用户u对物品i的感兴趣程度，可以利用和用户u相似的用户v对物品i的评价来预测。基于物品的方法，是基于用户u给相似于i的物品的评分来预测用户u对物品i的评分。3、注意协同过滤中的基于近邻中的基于物品的方法和...
基于项目的协同过滤推荐算法（输出推荐结果和mae值）
11-11
操作说明： 1、解压下载的CollaborativeFilteringBasedItem压缩文件 2、操作系统中需装java jdk1.7或者以上版本 3、点击start.bat，在运行过程中，输出推荐结果和mae值
基于KNN（K最近邻分类算法）的推荐算法
wolf_bailang的博客
01-13 5175
1.1算法简介 KNN（K最近邻分类算法）是一种在机器学习中比较简单的算法，它的原理如下：对于一个需要分类的物品A，定义某一种刻画物品之间距离方法，找出该物品最邻近k个有已知类别的物品，这k物品中出现最多的类别即为物品A的类别。如下图： 在KNN算中，最核心的一点是怎么定义物品之间的距离，这里我们简单列举几种计算物品距离的方法：欧式距离、曼哈顿距离、切比雪夫距离、杰卡德系数、夹角余弦、皮尔逊系数...
推荐系统详解（三）近邻推荐
zqzwzd的博客
04-21 1340
协同过滤的重点在于“协同”，所谓协同，也就是群体互帮互助，互相支持是集体智慧的体现，协同过滤也是这般简单直接，历久弥新。 协同过滤 当你的推荐系统度过了只能使用基于内容的推荐阶段后，就有了可观的用户行为了。这时候的用户行为通常是正向的，也就是用户或明或暗地表达着喜欢的行为。这些行为可以表达成一个用户和物品的关系矩阵，或者说网络、或者说是图，都是一个东西。这个用户物品的关系矩阵中填充的就是用户对...
推荐系统三十六式学习笔记：原理篇.近邻推荐09|协同过滤中的相似度计算方法有哪些？
weixin_43597208的博客
06-12 1226
今天，我介绍了常用的几种相似度计算方法，以及其各自的使用场景。这里的场景是按数据形式划分的，按照向量维度取值是否是布尔值来看，杰卡德相似度就只适合布尔值向量，余弦相似度弹性略大，适合两种向量。欧式距离度量的是空间中两个点的绝对差异，适用于分析用户能力模型之间的差异，比如消费能力、贡献内容的能力等；是绝对差异，余弦相似度度量的是方向差异，但是调整的余弦相似度则可以避免这个弱点。
初探CF推荐算法
hzh36的博客
05-13 401
初探CF推荐算法 刚接触推荐系统这一块，还请有什么不对的地方各位大佬多多指正！ 1 基于User的协同过滤（Collaborative Filterin CF）算法 （1）获取UI矩阵 其中ABCD为用户，Item1-5为物品，表格数据为各User对各Item的评分（w(u,i)），其中空白项表示该User未接触该Item Item1 Item2 Item3 Item4 Item5 A 5 1 2 2 B 1 5 2 5 5 C 2 3 5 4 D 4 3 5 3
因式分解结合最近邻：多层面的协同过滤模型
shiqi,bao的博客
04-26 473
摘要推荐系统为用户提供个性化的产品和服务。这些系统大部分都使用协同过滤，通过分析过去行为以建立用户和产品之间的联系。CF的2个比较成功的方法，其一是隐语义模型LFM，它直接描述用户和产品；另一是近邻模型，它分析用户或产品之间的相似度。在本文中，为这两种方法引入一些创新。因子模型和近邻模型可以顺利的融合，因此可以得到一个更准确的组合模型。通过扩展模型以利用用户的显式和隐式反馈来实现进一步的精度改进。本
Movielens数据集+Canopy聚类+Kmeans聚类+协同过滤推荐+测评指标MAE 基于用户的协同过滤推荐算法 聚类算法 代码实现 程序实现
linge511873822的博客
07-13 2996
Movielens数据集+Canopy聚类+Kmeans聚类+协同过滤推荐+测评指标MAE实现 一、实现原理和步骤 1、使用movielens数据集（943个用户，1682部电影，80000条评分数据）； 2、输入用户id（1-943）； 3、创建用户-电影评分矩阵； 4、canopy聚类算法根据用户评分对用户聚类； 5、将canopy聚类结果作为kmeans聚类初始点，进行kmeans聚类； 6、根据聚类结果进行协同过滤推荐 7、计算推荐算法测评指标mae值。 二、实现代码 1、项目目录 2、项目运行主
推荐系统不相信眼泪，但此算法会给你些安慰
飞翔的熊blabla
11-20 1262
转载于 http://iyao.ren/2017/02/28/itemcf/ 众所周知，解决信息过载的方式主要有类目导航、搜索、推荐，还有目前大热的聊天机器人（chatbot），但其本质也是基于推荐系统和知识图谱实现的。推荐不同于或者优于搜索的地方在于：搜索需要用户知道自己需要什么，而推荐则可以做到帮助用户发现自己需要什么或者让你需要的信息主动找到你，而且更加个性化，甚至能做到“比你自己更了
书籍推荐系统实现：基于CF-KNN的完整逻辑分析
本书籍推荐系统实践项目名为‘Book-Recommend-CF-KNN-master_推荐系统_’，专注于通过协同过滤（Collaborative Filtering, CF）和K近邻（K-Nearest Neighbors, KNN）算法来实现书籍的推荐逻辑。这一项目不仅为初学者...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值