qq_39321513的博客

交替最小二乘法优化原理推导损失函数J(θ)=∑u,i∈R(rui−μ−bu−bi)2+λ∗(∑ubu2+∑ibi2)J(\theta)=\sum_{u,i\in R}(r_{ui}-\mu-b_u-b_i)^2+\lambda*(\sum_u b_u{^2}+\sum_i b_i{^2} )J(θ)=u,i∈R∑​(rui​−μ−bu​−bi​)2+λ∗(u∑​bu​2+i∑​bi​2)对损失函数求偏导∂J(θ)∂bu=−2∑u,i∈R(rui−μ−bu−bi)+2λ∗bu\frac{\pa

推荐系统冷启动概念用户冷启动：如何为新用户做个性化推荐 物品冷启动：如何将新物品推荐给用户(协同过滤) 系统冷启动：用户冷启动+物品冷启动 本质是推荐系统依赖历史数据，没有历史数据无法预测用户偏好 用户冷启动1.收集用户特征用户注册信息: 性别、年龄、地域. 设备信息: 定位、手机型号、app列表 社交信息、推广素材、安装来源总结用户冷启动：尽可能收集用户信息，构建用户画像(打标签)， 根据用户的标签可以做人群聚类用已有用户的行为做推荐，更多的使用流行度（热榜）做推荐...

实现用户，服务提供方，内容提供方的共赢 显示反馈和隐式反馈 显示反馈 隐式反馈 例子 电影/书籍评分 是否喜欢这个推荐 播放、点击、评论、下载、购买 准确性 高 低 数量 少 多 获取成本 高 低 常用评估指标·准确性·信任度·满意度·实时性·覆盖率·鲁棒性·多样性·可扩展性·新颖性·...

User-based CF评分预测Item-based CF的评分预测下面是模拟的小案例（分别采用上面的公式）import pandas as pdusers = ["User1","User2","User3","User4","User5"]items =["Item A","Item B","Item C","Item D","Item E"]# 用户评分矩阵dataset = [ [5,3,4,4,None], [3,1,2,3,3], .

用户物品相似度计算users = ["User1","User2","User3","User4","User5"]items =["Item A","Item B","Item C","Item D","Item E"]#用户购买记录数据datasets = [ [1, 0, 1, 1, 0], [1, 0, 0, 1, 1], [1, 0, 1, 0, 0], [0, 1, 0, 1, 1], [1, 1, 1, 0, 1],]import pand

相似度计算余弦相似度、皮尔逊相关系数— 皮尔逊会对向量的每个分量做中心化— 余弦相似度只考虑向量的夹角不考虑长度— 适合评分是连续的数值杰卡德相似度— 交集/并集— 适合评分是 0， 1 布尔值的所以计算用户相似度是是： user_similar = 1 - pairwise_distances(df.values, metric=‘jaccard’)

GMF模型公式的理解与缺点NCF还保留着MF的缺点，采用内积的方式计算评分使得预测不准确，模型的表达能力不足（内积的方式过于简单）NCF中的广义矩阵分解GMF部分采用将user和item的embedding先进行元素积，再输入线性层的方式计算分数，本质和MF的内积计算分数差不多，只是在MF的内积的各个元素上赋予了权值而已（推导见下图）。当这些权值为1的时候GMF就退化为MF（在不考虑激活函数的情况下）。NCF(混合)模型：GMF内积之后的结果和MLP部分的结果拼接送入预测层GMF和.